LongCat-2.5 منتشر شد؛ مدل ۱٫۶ تریلیونی Meituan بدون یک کارت Nvidia

Meituan وزن‌های LongCat-2.5 را با پروانه‌ی MIT منتشر کرد؛ مدل ایجنت و کدنویسی با زمینه‌ی یک میلیون توکن. عددها، قیمت و دسترسی.

LongCat-2.5 منتشر شد؛ مدل ۱٫۶ تریلیونی Meituan بدون یک کارت Nvidia

شرکت چینی Meituan، بزرگ‌ترین پلتفرم سفارش غذا در چین، وزن‌های مدل LongCat-2.5 را با پروانه‌ی MIT منتشر کرده است. به گزارش The Decoder این خبر روز ۲۴ آبان ۱۴۰۵ (۱۵ نوامبر ۲۰۲۶) آمد و مدل حدود یک هفته بعد از معرفی رسمی‌اش برای دانلود در Hugging Face گذاشته شد. مدل برای کارهای چندمرحله‌ای و کدنویسی ساخته شده و راهنمای اجرای آن فقط برای شتاب‌دهنده‌های Huawei Ascend است، نه کارت‌های Nvidia.

LongCat-2.5 چیست؟

LongCat-2.5 یک مدل «ترکیب متخصصان» (Mixture of Experts) با ۱٫۶ تریلیون پارامتر است که برای هر توکن فقط حدود ۴۸ میلیارد پارامترش کار می‌کند. به همین خاطر با وجود اندازه‌ی بزرگ، هزینه‌ی اجرا از یک مدل چگال هم‌اندازه کمتر است. مدل تا یک میلیون توکن ورودی می‌گیرد و تا ۱۲۸ هزار توکن خروجی می‌دهد. ورودی می‌تواند متن، عکس و ویدیو باشد و خروجی متن است. حالت استدلال را هم می‌شود روشن یا خاموش کرد.

تصویر را مدل بدون رمزگذار جدا و در همان وضوح اصلی به توکن تبدیل می‌کند. این روش از مدل پژوهشی LongCat-Next آمده و روی نسخه‌ی قبلی، یعنی LongCat-2.0، ساخته شده است. نسخه‌ی ۲٫۰ تیر ۱۴۰۵ روی بیش از پنجاه هزار تراشه‌ی چینی آموزش دیده بود و قبل از معرفی، با نام «Owl Alpha» در OpenRouter ناشناس کار می‌کرد.

چطور آموزش دیده؟

طبق گزارش، یادگیری تقویتی روی کارهایی انجام شده که از درخواست‌های ادغام واقعی GitHub ساخته شده‌اند، همراه با شکست‌های بازسازی‌شده‌ی ایجنت‌ها. محیط آموزش اینترنت نداشت، تاریخچه‌ی Git و فایل‌های ذخیره‌شده پاک بود و یک مدل زبانی هم بررسی می‌کرد که ایجنت راه میان‌بر نزند. توانایی چند مدل «معلم» تخصصی هم به آن منتقل شده است. نسخه‌ی چهاربیتی (W4A4) هم جداگانه منتشر شده و Meituan می‌گوید سرعت پردازش ورودی آن ۴۳٫۳ درصد و سرعت تولید جواب‌اش ۴۲٫۷۷ درصد از نسخه‌ی هشت‌بیتی بیشتر است، بی‌آنکه دقت افت کند.

عددها چه می‌گویند؟

همه‌ی عددهای زیر را خود Meituan داده و مستقل وارسی نشده‌اند:

آزمونLongCat-2.5مقایسه
Terminal Bench v2.1۸۸٫۴Claude Opus 5 با ۸۹٫۱ و DeepSeek-V4.1-Flash با ۹۰٫۶
DeepSWE۶۴٫۶ (نسخه‌ی قبل ۹٫۷)DeepSeek-V4.1-Flash با ۷۴٫۲ و GPT-5.6 Sol با ۷۲٫۷
Terminal Bench v4.0۳۸٫۵بالاتر از GPT-5.6 Sol (۳۷٫۳)، پایین‌تر از Claude Opus 5 (۵۳٫۹)
BrowseComp۹۱٫۹بالاترین عدد جدول، در محیط آزمون خود Meituan

تصویر کلی این است که مدل در کار ترمینال به غول‌های غربی نزدیک است، در حل مسئله‌ی کدنویسی واقعی (DeepSWE) از چند رقیب عقب می‌ماند و در جست‌وجوی وب جلو است. جدول Claude Opus 5.5 و GPT-6.1 Sol را ندارد. جدیدترین مدل OpenAI را در مقاله‌ی GPT-6.1 Sol بررسی کرده‌ایم.

دسترسی و قیمت

وزن‌ها با پروانه‌ی MIT در Hugging Face هستند و استفاده‌ی تجاری، تغییر و بازتوزیع مجاز است. گفت‌وگو با مدل در longcat.ai ممکن است. API هم با قالب OpenAI و Anthropic کار می‌کند و با ابزارهایی مثل Claude Code و Codex سازگار است. قیمت تبلیغاتی و محدود زمان عرضه حدود ۰٫۲۷ یورو برای هر میلیون توکن ورودی و ۱٫۰۷ یورو برای هر میلیون توکن خروجی است.

راهنمای اجرای شخصی مدل نمونه‌ای با ۱۹۴ شتاب‌دهنده‌ی Ascend می‌دهد: دو تا برای تصویر، ۶۴ تا برای خواندن ورودی و ۱۲۸ تا برای نوشتن جواب. یعنی اجرای محلی کار یک شخص نیست و بیشتر شرکت‌ها و مراکز داده سراغش می‌روند.

این یعنی چه برای کاربر فارسی‌زبان؟

چهار نکته مهم است. اول، مدل‌های چینی بازتر و ارزان‌تر شده‌اند؛ فهرست آن‌ها را در راهنمای هوش مصنوعی چینی می‌بینید. دوم، رقیب مستقیم این مدل در کدنویسی DeepSeek است که در مقاله‌ی DeepSeek V4.1 Flash بررسی شد. سوم، توان فارسی LongCat-2.5 در گزارش‌ها نیامده؛ پس پیش از استفاده‌ی جدی خودتان امتحانش کنید. چهارم، برای کار روزمره لازم نیست مدل ۱٫۶ تریلیونی اجرا کنید؛ در ابزارهای هوش‌نو می‌توانید با مدل‌هایی مثل GPT، Claude، Gemini، DeepSeek، Qwen و Kimi گفتگو کنید.

منبع‌ها

سؤالات متداول

LongCat-2.5 متن‌باز است؟

وزن‌های آن با پروانه‌ی MIT منتشر شده‌اند و استفاده‌ی تجاری آزاد است.

این مدل تصویر هم می‌فهمد؟

بله. ورودی می‌تواند متن، عکس و ویدیو باشد، ولی خروجی فقط متن است.

آیا بهتر از Claude و GPT است؟

طبق عددهای خود Meituan در بعضی آزمون‌ها نزدیک و در بعضی عقب‌تر است. این عددها را آزمایشگاه مستقلی هنوز تأیید نکرده است.

نویسنده نعیم حشم‌بان بنیان‌گذار و سردبیرِ هوش نو

نعیم حشم‌بان بنیان‌گذارِ هوش نو است و هر روز مدل‌های تازه‌ی هوش مصنوعی را امتحان می‌کند تا آموزش و بررسیِ ساده و دقیق به زبانِ فارسی بنویسد.