LongCat-2.5: Meituans 1,6-Billionen-Parameter-Modell für lange Agentenaufgaben

Die wichtigsten Fakten
- LongCat-2.5 ist Meituans neues Flaggschiff: 1,6 Billionen Parameter gesamt, rund 48 Milliarden aktiv pro Token (MoE), nativ multimodal über diskrete Bild-Tokens, ausgelegt auf lange, mehrstufige Agentenaufgaben.
- Das Training setzt auf agentisches Reinforcement Learning in großem Stil: automatisch erzeugte Coding-Aufgaben aus gefilterten GitHub-Pull-Requests, asynchrone Rollouts und explizite Gegenmaßnahmen gegen Reward-Hacking.
- Bemerkenswert: Das Training lief laut Meituan auf heimischen KI-Beschleunigern mit unter 80 GB Speicher pro Chip; die Inferenz nutzt W4A4-Quantisierung.
- Nach Meituans eigener Benchmark-Tabelle springt LongCat-2.5 gegenüber dem Vorgänger massiv (Terminal Bench v2.1: 88,4 statt 70,8; PaperBench: 82,1 statt 45,2) - Herstellerangaben, unabhängige Prüfung steht aus.
Kurz gesagt: Während alle auf die US-Labore schauen, legt Meituan nach: LongCat-2.5 ist ein 1,6-Billionen-Parameter-MoE, das Bilder wie Text als Token verarbeitet und gezielt für das trainiert wurde, was Agenten-Modelle am häufigsten scheitern lässt - sehr lange Aufgaben am Stück. Der Ankündigungsblog liest sich wie eine Stellungnahme zur Chip-Frage: Trainiert wurde auf heimischer Hardware.
Was technisch drinsteckt
Der multimodale Teil ist ungewöhnlich direkt: Bilder werden in nativer Auflösung über einen semantisch ausgerichteten Encoder und Residual Vector Quantization in diskrete Token-Sequenzen übersetzt - die gleiche Abstraktion wie bei Sprache. Weil die Bild-Token offline vorberechnet werden können, entfällt der Vision-Encoder im Trainingsgraphen; Meituan nennt das einen echten Vorteil für Lastverteilung und lange Sequenzen. Auf dieser Basis trainiert das Team agentisches RL in der Breite: Eine Synthese-Pipeline filtert GitHub-Pull-Requests samt verlinkter Issues, lässt Agenten Aufgaben annotieren und Umgebungen bauen und validiert sie über Fail-to-Pass- und Pass-to-Pass-Tests. Hinzu kommen reale interne Coding-Aufgaben; Fehlverhalten wird mit gesperrtem Netzwerkzugang, gelöschter Git-Historie und einem LLM-Prüfer eingedämmt, der Trajektorien auf Reward-Hacking untersucht.
Der Infrastruktur-Absatz ist politisch so interessant wie technisch: LongCat-2.5 wurde laut Meituan auf heimischen Beschleunigern mit jeweils unter 80 GB Speicher trainiert - mit Parallelismus, der exakt auf die Supernode-Topologie zugeschnitten ist, hybrider Vokabular-Parallelisierung und dynamischer Experten-Replikation gegen Last-Ungleichgewicht. Für die Inferenz setzt Meituan auf W4A4-Quantisierung.
Die Zahlen - mit Vorsicht
Meituans eigene Tabelle vergleicht LongCat-2.5 mit GPT-5.5, GPT-5.6-Sol, Claude Opus 4.8 und Opus 5 sowie GLM-5.3, Kimi K3 und DeepSeek-V4.1-Flash. Der Sprung gegenüber LongCat-2.0 ist überall dramatisch: Terminal Bench v2.1 von 70,8 auf 88,4 (Opus 5: 89,1, DeepSeek-V4.1-Flash: 90,6 - beide mit Sternchen als Fremdwerte markiert), PaperBench von 45,2 auf 82,1 - dort liegt GPT-5.6-Sol mit 83,3 noch knapp vorn. Auf Terminal Bench v4.0 liegt Opus 5 (53,9) deutlich vor LongCat-2.5 (38,5). Wichtig: Das sind Herstellerangaben aus dem Ankündigungsblog; eine unabhängige Verifikation gab es zum Veröffentlichungszeitpunkt nicht - und die Tabelle zeigt, dass LongCat-2.5 nicht überall führt.
Einordnung
Häufige Fragen
Ist LongCat-2.5 quelloffen oder per API nutzbar?
Der Ankündigungsblog nennt weder offene Gewichte noch einen API-Zugang. Meituan beschreibt Training und Fähigkeiten im Detail; zur Verfügbarkeit macht der Beitrag zum Abrufzeitpunkt keine Angaben.
Was heißt 'nativ multimodal' hier konkret?
Bilder werden in nativer Auflösung als diskrete Token-Sequenzen kodiert und im selben Format wie Text verarbeitet - ohne separaten Vision-Encoder im Trainingsgraphen. Die Token lassen sich offline vorberechnen, was das Training langer Sequenzen vereinfacht.
Sind die Benchmark-Zahlen verlässlich?
Sie stammen vollständig von Meituan; Fremdwerte sind in der Tabelle mit Sternchen markiert. Unabhängig geprüft war zum Veröffentlichungszeitpunkt nichts davon. Solange kein Zugang zum Modell existiert, bleiben es Herstellerangaben.
Quellen
- Introducing LongCat-2.5 (Meituan LongCat (Blog), abgerufen 2026-11-02)
- Meituan veröffentlicht LongCat-2.5 (Pressemitteilung) (Meituan, abgerufen 2026-11-02)
- Meituan launches LongCat-2.5 multimodal AI model for extended coding tasks (TechNode, abgerufen 2026-11-02)
Weitere Artikel
- Kimi K3.1 Pro: Open-Weights-Modell fast auf Augenhöhe mit Claude Opus 5.5
- MiniMax M3.1 Flash: Chinas nächster Preisbrecher
Transparenzhinweis: Dieser Artikel ist ein redaktioneller Beitrag von Philipp Paulik und entstand mit KI-Unterstützung (Recherche und Textentwurf). Alle Quellen sind unten verlinkt; Zahlen und Aussagen stammen aus diesen Quellen. Das Titelbild ist KI-generiert und im Bild entsprechend gekennzeichnet. Die News-Übersicht auf dieser Seite wird dagegen automatisch aus öffentlichen Feeds aggregiert. So arbeiten wir.