LongCat-2.5 آپریشن میں

LongCat-2.5 میئتوان کے LongCat کی جانب سے پیش کیا گیا ایک مقامی ملٹی موڈل ماڈل ہے، جس کے کل پیرامیٹرز 1.6 ٹریلین اور فی ٹوکن فعال پیرامیٹرز تقریباً 480 ارب ہیں۔ LongCat-2.5 طویل مدتی ایجنٹ کاموں کے لیے بنایا گیا ہے۔ یہ بصری سگنلز کو کثیر سطحی ٹوکنز میں تبدیل کرکے متن کے ساتھ یکساں طور پر پروسیس کرتا ہے اور Visual Coding کی صلاحیت کو مضبوط بناتا ہے۔ بڑے پیمانے کی Agentic RL، ڈیٹا سنتھیسس پائپ لائن، اور مقامی کمپیوٹنگ پر طویل سیاقی تربیت و W4A4 کوانٹائزیشن کی اصلاحات کی بدولت، یہ ٹرمینل پروگرامنگ، براؤزنگ و تلاش اور بصری فہم کے جائزوں میں GPT-5.5 اور Claude-Opus-5 کے ساتھ پہلی صف میں شامل ہے۔

ایجنٹ پروگرامنگ: پیچیدہ کوڈ بیس کی ترقی اور مکمل منصوبوں کی تعمیر کو ابتدا تا انتہا مکمل کرتا ہے۔
مقامی بصری فہم: تصاویر اور متن کو یکساں token شکل میں پروسیس کرتا ہے اور Visual Coding میں بہترین ہے۔
تخلیقی اور 3D جنریشن: ریئل ٹائم سیال تخروپن، 3D ڈیجیٹل نمائشیں، شہری سینڈ باکس اور چھوٹے مناظر جیسی ویب تخلیقات کو سپورٹ کرتا ہے۔
پیشہ ورانہ دفتری کام: کاروباری تجزیہ، صارفین کے تاثرات کی رپورٹس اور تقریب کے دعوت نامے تیار کرنا شامل ہے۔

بصری نمائندگی کی ماڈلنگ: LongCat-Next کے طریقے کو جاری رکھتے ہوئے، معنوی ہم آہنگی والے انکوڈر کی مقامی ریزولوشن خصوصیات پر residual vector quantization لاگو کی جاتی ہے، جس سے بصری سگنلز کو کثیر سطحی discrete tokenز کے طور پر ظاہر کیا جاتا ہے؛ tokenizer کو مستحکم کرنے کے بعد بصری tokenز کو آف لائن پہلے سے شمار کیا جا سکتا ہے، جس سے طویل سلسلوں کی پیکنگ اور تقسیم شدہ load balancing آسان ہو جاتی ہے۔
بڑے پیمانے کی ایجنٹ reinforcement learning: قابل توسیع ڈیٹا سنتھیسس پائپ لائن تیار کی گئی ہے جو خودکار طور پر کام، ماحول اور قابل تصدیق ٹیسٹ کیسز بناتی ہے، جبکہ حقیقی Agent کی ناکام ٹریجیکٹریز سے مسلسل اضافی ڈیٹا حاصل کیا جاتا ہے؛ partial rollout غیر مت同期 تربیت کے ذریعے long-tail کارکردگی کے مسئلے کو کم کیا جاتا ہے، logprob clipping سے پرانے نمونوں کے باعث ہونے والے gradient bias کو دبایا جاتا ہے، اور نیٹ ورک منقطع کرنے، cache صاف کرنے اور LLM judge کے امتزاج سے reward hacking روکی جاتی ہے۔ مختلف کاموں اور Harness پر مخلوط تربیت عمومی کارکردگی بہتر بناتی ہے۔
Multi-Expert Online Distillation (MOPD): شعبہ جاتی ماہرین، طالب علم کے آن لائن نمونوں سے حاصل کردہ مکمل vocabulary KL divergence کی بنیاد پر طالب علم کو تربیت دیتے ہیں؛ استاد کے جواب کو مقررہ لمبائی کے per-cut prefix میں تقسیم کیا جاتا ہے اور distribution shift کو قابو میں رکھنے کے لیے طالب علم کی sampling لمبائی محدود کی جاتی ہے۔ Tree Attention کے ذریعے ایک ہی forward اور backward پاس میں تربیت مکمل ہوتی ہے، جس سے حساب اور ذخیرہ کاری کی لاگت کم ہوتی ہے۔
مقامی کمپیوٹنگ پر طویل سیاقی تربیت: FSDP/EP کی parallelism کو supernode کارڈز کی تعداد کے ساتھ ہم آہنگ کیا جاتا ہے تاکہ مواصلات high-bandwidth domain کے اندر رہیں، جبکہ mixed vocabulary parallelism مزید GPU میموری کم کرتی ہے؛ double-sharding FSDP کے ذریعے FP32 master weights اور optimizer state کو cross-domain shard کیا جاتا ہے، zero-copy communication اور computation overlap کیے جاتے ہیں، اور SFT میں فی کارڈ throughput، DDP کے مقابلے میں 86% بڑھتا ہے۔
تربیت اور inference میں یکسانیت: یکساں batch-invariant operators استعمال کیے جاتے ہیں، TP اور DCP کی سپورٹ کو وسعت دی جاتی ہے، اور training، Prefill اور Decode کے درمیان ہر token کا logprob bitwise یکساں بنایا جاتا ہے۔ طویل سیاقی Rollout کی اصلاح: PD separation کے تحت QCP/KVP اور HiCache مؤثر cache کو وسیع کرتے ہیں۔ LSA کی layer-wise indexing reuse کے ذریعے cross-layer KV prefetch کیا جاتا ہے، جس سے Decode cache تقریباً دوگنا ہو جاتا ہے؛ capacity-aware scheduling طویل ٹریجیکٹریز کو باری باری آگے بڑھانے سے پیدا ہونے والے دوبارہ حساب کے بحران سے بچاتی ہے۔

فوری تجربہ: آن لائن تجرباتی صفحے https://longcat.chat پر جائیں، گفتگو کا انٹرفیس کھولیں اور براہِ راست قدرتی زبان میں اپنی ضرورت بیان کریں۔
API انضمام: https://longcat.chat/platform/product پر جا کر API کلید حاصل کریں اور ماڈل کو اپنی ایپلیکیشن میں شامل کریں۔

نمایاں کارکردگی: کل 1.6 ٹریلین پیرامیٹرز اور فی token 480 ارب فعال پیرامیٹرز؛ متعدد جائزوں میں GPT-5.5 اور Claude-Opus-5 کے ساتھ پہلی صف میں۔
مقامی ملٹی موڈل صلاحیت: بصری سگنلز کو کثیر سطحی discrete tokenز اور متن کے ساتھ یکساں طور پر model کیا جاتا ہے، جبکہ Visual Coding کی صلاحیت نمایاں ہے۔
طویل مدتی ایجنٹ: بڑے پیمانے کی Agentic RL کے تعاون سے پیچیدہ کوڈ بیس کی ترقی اور مکمل منصوبوں کی تعمیر کو ابتدا تا انتہا مکمل کرتا ہے۔
تیز رفتار تکرار: طویل سلسلوں کی تربیت اور ناکام ٹریجیکٹریز کو تربیتی کاموں میں تبدیل کرنے کے باعث LongCat-2.0 کے مقابلے میں نمایاں بہتری۔
مقامی کمپیوٹنگ سے مطابقت: supernode parallelism، W4A4 quantization اور دیگر اصلاحات کے ذریعے 1.6T درجے کا MoE مقامی AI accelerators پر مؤثر تربیت اور inference فراہم کرتا ہے۔
مضبوط انجینئرنگ: training اور inference میں bitwise یکسانیت، نیز طویل سیاقی rollout کی اصلاح، بڑے پیمانے کی طویل مدتی RL کو مستحکم اور مؤثر انداز میں چلاتی ہے۔

منصوبے کی سرکاری ویب سائٹ: https://longcat.ai/blog/longcat-2.5/

سافٹ ویئر ڈیولپمنٹ: پیچیدہ کوڈ بیس کی ترقی، مکمل منصوبوں کی تعمیر اور ٹرمینل پروگرامنگ کے کام ابتدا تا انتہا مکمل کرتا ہے۔
بصری ویب جنریشن: ریئل ٹائم سیال تخروپن، 3D نوادرات کی interactive نمائش، شہری سینڈ باکس، چینی طرز کے رنگین صفحات اور دیگر high-frame-rate متحرک ویب صفحات تیار کرتا ہے۔
پیشہ ورانہ دفتری تجزیہ: متعدد ذرائع سے کاروباری ڈیٹا یکجا کرکے منافع کا حساب، محرک عوامل کا تجزیہ اور مارکیٹنگ و انوینٹری کی تجاویز پیش کرتا ہے۔
صارفین کے تاثرات کی پروسیسنگ: دہرائے گئے تاثرات کی شناخت، شدت کے لحاظ سے درجہ بندی، اور interactive HTML تجزیاتی رپورٹ تیار کرتا ہے۔
تقریب کے انتظام کا آلہ: مقام کی تصاویر اور قدرتی زبان میں دی گئی ضروریات اپ لوڈ کرکے ایسی تقریب کے دعوت نامے کی ویب سائٹ بناتا ہے جس کے لیے رجسٹریشن اور شرکاء کی فہرست برآمد کرنا ممکن ہو۔