Meituan Longmao ha lanzado LongCat-2.5, un modelo multimodal nativo de 1,6 billones de parámetros totales diseñado para tareas de agentes inteligentes de largo alcance, con aproximadamente 48.000 millones de parámetros activos por token y mejoras sustanciales en comprensión visual y programación.
El modelo está disponible en línea a través de longcat.chat y mediante API en la plataforma de la compañía. LongCat-2.5 es la evolución de LongCat-2.0 y representa el esfuerzo de Meituan por competir en el segmento de modelos de frontera para agentes autónomos, un terreno donde también operan OpenAI, Anthropic, Google y los principales laboratorios chinos.
Los números de 1,6 billones de parámetros totales y 48.000 millones activos
LongCat-2.5 utiliza una arquitectura de mezcla de expertos (MoE), en la que el modelo contiene 1,6 billones de parámetros en total, pero solo activa aproximadamente 48.000 millones por cada token procesado. Esa configuración permite al modelo tener una capacidad de conocimiento muy amplia sin incurrir en el coste computacional de activar todos los parámetros en cada inferencia.
La cifra de 48.000 millones de parámetros activos sitúa a LongCat-2.5 en un rango comparable al de otros modelos de frontera con arquitectura MoE, aunque por debajo de los modelos más grandes de OpenAI y Anthropic en términos de parámetros totales.
¿Qué mejora respecto a LongCat 2.0?
LongCat-2.5 incorpora tres avances principales sobre la generación anterior:
Más datos de trayectorias de largo alcance. El modelo se entrenó con un volumen mayor de secuencias que representan tareas complejas ejecutadas paso a paso, lo que mejora su capacidad de mantener coherencia en trabajos que requieren múltiples etapas.
Aprendizaje por refuerzo a gran escala. Meituan aplicó técnicas de refuerzo de largo alcance para mejorar las capacidades de ingeniería del modelo en tareas como el desarrollo de código complejo y la construcción completa de proyectos. El objetivo es que el modelo no solo genere fragmentos de código, sino que sea capaz de planificar y ejecutar proyectos enteros.
Conversión de fallos en datos de entrenamiento. El equipo transforma las trayectorias de fallo de agentes reales en tareas de entrenamiento reproducibles y verificables. Es decir, cuando un agente comete un error, ese error se convierte en un ejemplo de entrenamiento que el modelo puede usar para corregir sus deficiencias. Es un mecanismo de mejora continua que se retroalimenta de la experiencia real de uso.
La representación visual como tokens discretos
Una de las innovaciones técnicas de LongCat-2.5 es la forma en que procesa las imágenes. El modelo representa las señales visuales como tokens discretos multinivel, lo que permite al modelo base procesar entradas visuales y de texto en un formato unificado.
Esa unificación es lo que habilita la comprensión visual nativa: el modelo no traduce la imagen a texto para luego procesarla, sino que trata la información visual y la textual con el mismo mecanismo. El resultado es un rendimiento superior en tareas que combinan ambos formatos, como la codificación visual, el diseño creativo y el modelado 3D.
La infraestructura que lo hace posible
Meituan ha detallado parte de la infraestructura que soporta el entrenamiento y la inferencia de LongCat-2.5:
- Optimización del entrenamiento de contexto extenso, para manejar secuencias largas sin degradar el rendimiento.
- Inferencia W4A4 en la capacidad de procesamiento nacional, una técnica de cuantización que reduce el coste computacional de la inferencia.
- Consistencia numérica entre entrenamiento e inferencia, para garantizar que el modelo se comporta de la misma forma en ambas fases.
- Optimización del despliegue de contexto extenso, para que las aplicaciones que utilizan el modelo puedan manejar conversaciones o documentos largos de forma eficiente.
Disponibilidad y acceso
LongCat-2.5 está disponible para su uso en línea en https://longcat.chat y mediante API en https://longcat.chat/platform/product. Meituan no ha especificado los precios de la API ni ha detallado si el modelo estará disponible para uso comercial sin restricciones.
La compañía tampoco ha publicado una comparativa independiente de LongCat-2.5 frente a otros modelos de frontera. Los resultados que ha compartido se refieren a pruebas internas, sin especificar qué benchmarks se utilizaron ni qué modelos se tomaron como referencia.
Descubre más desde CIBERED
Suscríbete y recibe las últimas entradas en tu correo electrónico.
