LongCat-2.5 Inafanya kazi

LongCat-2.5 ni modeli asilia ya multimodali iliyoundwa na Meituan LongCat, yenye jumla ya parameta trilioni 1.6 na takriban bilioni 48 zinazowashwa kwa kila tokeni. LongCat-2.5 inalenga kazi za mawakala mahiri za muda mrefu, ikibadilisha ishara za kuona kuwa tokeni za ngazi nyingi na kuzichakata pamoja na maandishi, hivyo kuimarisha uwezo wa Visual Coding. Kwa kutegemea Agentic RL ya kiwango kikubwa, mchakato wa usanisi wa data, pamoja na mafunzo ya muktadha mrefu na uboreshaji wa quantization ya W4A4 kwenye kompyuta za ndani, inashikilia nafasi ya juu pamoja na GPT-5.5 na Claude-Opus-5 katika tathmini za upangaji programu kwenye kifaa, utafutaji wa kuvinjari na uelewa wa kuona.

Upangaji programu wa mawakala: Hukamilisha uundaji wa hazina changamano za msimbo na miradi kamili kutoka mwanzo hadi mwisho.
Uelewa asilia wa kuona: Huchakata picha na maandishi kwa muundo wa tokeni uliounganishwa, ikiwa na uwezo bora wa Visual Coding.
Uundaji wa ubunifu na 3D: Inasaidia uundaji wa kurasa za wavuti zenye uigaji wa vimiminika kwa wakati halisi, maonyesho ya kidijitali ya 3D, mifano ya miji na mandhari ndogo.
Kazi za kitaalamu za ofisini: Inajumuisha uchanganuzi wa biashara, ripoti za mrejesho wa wateja na uundaji wa mialiko ya matukio.

Uundaji wa vielelezo vya kuona: Inatumia mbinu ya LongCat-Next kwa kutumia quantization ya vekta ya mabaki kwenye vipengele vya mwonekano wa asilia vya kisimbaji kilicholinganishwa kisemantiki, na kuwakilisha ishara za kuona kama tokeni za viwango vingi; baada ya tokenizer kufungwa, tokeni za kuona zinaweza kukokotolewa mapema nje ya mtandao, na kurahisisha ufungashaji wa mfuatano mrefu pamoja na usawazishaji wa mzigo uliosambazwa.
Ujifunzaji wa kuimarisha wa mawakala kwa kiwango kikubwa: Huunda mchakato unaoweza kupanuka wa usanisi wa data unaozalisha kiotomatiki kazi, mazingira na visa vya majaribio vinavyoweza kuthibitishwa, huku ukiongeza data kila mara kwa kutumia mikondo halisi ya kushindwa kwa Agent; mafunzo ya partial rollout yasiyosawazishwa hupunguza changamoto ya ufanisi wa tail ndefu, ukataji wa logprob hukandamiza upendeleo wa gradient unaosababishwa na uchakavu wa sampuli, na kukata mtandao, kufuta akiba pamoja na LLM judge huzuia reward hacking; mafunzo mchanganyiko ya kazi na Harness mbalimbali huongeza ujanibishaji.
Udistilishaji wa mtandaoni wa wataalamu wengi (MOPD): Wataalamu wa kikoa huwafunza wanafunzi kwa kutumia KL divergence ya msamiati mzima kutoka kwenye sampuli za mtandaoni za mwanafunzi; majibu ya mwalimu hugawanywa kwa urefu maalum kuwa per-cut prefix, na urefu wa sampuli za mwanafunzi huwekewa kikomo ili kudhibiti mkengeuko wa usambazaji. Kwa kutumia Tree Attention kukamilisha upitishaji wa mbele na nyuma mara moja, gharama za ukokotoaji na uhifadhi hupunguzwa.
Mafunzo ya muktadha mrefu kwenye kompyuta za ndani: Usambamba wa FSDP/EP unawekwa kulingana na idadi ya kadi za supernode ili mawasiliano yabaki ndani ya eneo la kipimo data cha juu, huku usambamba wa msamiati mchanganyiko ukipunguza zaidi matumizi ya kumbukumbu ya GPU; FSDP yenye ugawaji maradufu hugawanya uzito mkuu wa FP32 na hali ya optimizer katika maeneo mbalimbali, ikiunganisha mawasiliano yasiyotumia nakala na ukokotoaji, na kuongeza throughput ya SFT kwa kila kadi kwa 86% ikilinganishwa na DDP.
Ulinganifu wa mafunzo na uelekezaji: Hutumia waendeshaji wa batch-invariant kwa pamoja na kupanua usaidizi wa TP na DCP, ili logprob ya kila tokeni iwe sawa bitwise katika mafunzo, Prefill na Decode. Uboreshaji wa Rollout ya muktadha mrefu: Chini ya mgawanyo wa PD, QCP/KVP na HiCache huongeza akiba inayotumika; faharasa za tabaka za LSA hutumika tena kufanya prefetch ya KV kati ya tabaka, na kufanya akiba ya Decode ikaribie kuongezeka mara mbili. Upangaji unaotambua uwezo huepuka maporomoko ya ukokotoaji upya yanayosababishwa na kusogeza mbele kwa zamu kwa mikondo mirefu.

Jaribio la haraka: Tembelea ukurasa wa matumizi ya mtandaoni https://longcat.chat ili kuingia kwenye kiolesura cha mazungumzo, kisha eleza mahitaji yako moja kwa moja kwa lugha ya kawaida.
Muunganisho wa API: Nenda kwenye https://longcat.chat/platform/product kuomba ufunguo wa API na kuunganisha modeli kwenye programu yako.

Utendaji unaoongoza: Ina jumla ya parameta trilioni 1.6 na bilioni 48 zinazowashwa kwa kila tokeni, ikiwa katika kundi la juu pamoja na GPT-5.5 na Claude-Opus-5 katika tathmini kadhaa.
Multimodali asilia: Ishara za kuona huundwa kwa pamoja na maandishi kama tokeni za viwango vingi, ikiwa na uwezo bora wa Visual Coding.
Mawakala wa muda mrefu: Kwa msaada wa Agentic RL ya kiwango kikubwa, hukamilisha uundaji wa hazina changamano za msimbo na miradi kamili kutoka mwanzo hadi mwisho.
Uboreshaji wa haraka: Mafunzo ya mfuatano mrefu pamoja na kubadilisha mikondo ya kushindwa kuwa kazi za mafunzo huleta maboresho makubwa ikilinganishwa na LongCat-2.0.
Ulinganifu na kompyuta za ndani: Uboreshaji kama usambamba wa supernode na quantization ya W4A4 huwezesha MoE ya kiwango cha 1.6T kufundishwa na kuendesha uelekezaji kwa ufanisi kwenye vichapuzi vya AI vya ndani.
Uhandisi thabiti: Ulinganifu wa bitwise kati ya mafunzo na uelekezaji, pamoja na uboreshaji wa rollout ya muktadha mrefu, huwezesha RL ya muda mrefu kwa kiwango kikubwa kufanya kazi kwa uthabiti na ufanisi.

Tovuti rasmi ya mradi: https://longcat.ai/blog/longcat-2.5/

Uundaji wa programu: Hukamilisha uundaji wa hazina changamano za msimbo, miradi kamili na kazi za upangaji programu kwenye kifaa kutoka mwanzo hadi mwisho.
Uundaji wa kurasa za wavuti zinazoonekana: Huunda kurasa za wavuti zenye kasi ya juu za uigaji wa vimiminika kwa wakati halisi, maonyesho shirikishi ya vitu vya kale vya 3D, mifano ya miji na kurasa za rangi zenye mtindo wa Kichina.
Uchambuzi wa kazi za kitaalamu za ofisini: Huunganisha data ya biashara kutoka njia nyingi na kutoa hesabu ya faida, uchanganuzi wa vichocheo pamoja na mapendekezo ya masoko na hesabu ya bidhaa.
Uchakataji wa mrejesho wa wateja: Hutambua mrejesho unaojirudia, kuupanga kulingana na ukali na kutoa ripoti shirikishi ya uchanganuzi ya HTML.
Zana za uendeshaji wa matukio: Kwa kupakia picha za ukumbi na kuchanganya na mahitaji ya lugha ya kawaida, huunda ukurasa wa mwaliko wa tukio unaowezesha usajili na uhamishaji wa orodha ya washiriki.