El equipo LongCat de Meituan ha publicado en Hugging Face los pesos de LongCat-2.5, un modelo multimodal pensado para agentes que trabajan en tareas largas y de varios pasos. Según la ficha del modelo, tiene 1,6 billones de parámetros en total y unos 48.000 millones activos por token, y sus pesos se distribuyen con licencia MIT.
La ficha atribuye parte de lo conseguido a unas «optimizaciones de infraestructura sobre aceleradores de IA nacionales», y vuelve a hablar de esos aceleradores al explicar cómo se ha comprimido el modelo. The Decoder, que contó la publicación el 15 de noviembre de 2026, lo resume en su titular con que el modelo «nunca tocó una GPU de NVIDIA».
Un modelo de mezcla de expertos para agentes
LongCat-2.5 es, en palabras de la compañía, un modelo de mezcla de expertos (MoE) multimodal nativo para tareas de agentes de largo recorrido. Con cada token solo trabaja una parte de sus parámetros, unos 48.000 millones. Parte de LongCat-2.0, su predecesor, y le suma la comprensión visual a la programación con agentes.
La ficha concreta para qué: desarrollo sobre bases de código complejas, construcción de proyectos completos, diseño creativo y tareas en 3D. Es además híbrido: su modo de razonamiento se enciende para rendir mejor o se apaga para gastar menos tokens. También se puede probar en la web de chat oficial de LongCat.
Cómo se ha entrenado y sobre qué hardware
La compañía resume el entrenamiento en cuatro piezas: secuencias largas, aprendizaje por refuerzo (RL) a gran escala, aprendizaje con varios maestros y las citadas optimizaciones sobre aceleradores de IA nacionales. Para el refuerzo, el entrenamiento combina tareas de ingeniería reales y fallos de agentes reproducibles, con salvaguardas contra el «hackeo de la recompensa» (reward hacking).
En la parte de infraestructura, la ficha da dos cifras. El entrenamiento con contextos largos logra un 86 % más de rendimiento por dispositivo que la referencia DDP en las tareas de ajuste fino con secuencias largas que recoge. Y las optimizaciones de la caché KV casi duplican la capacidad de esa caché en la fase de decodificación sin aumentar el tiempo por token de salida en la carga probada.
La lectura de que no hubo ninguna GPU de NVIDIA de por medio es de The Decoder; la ficha habla de «aceleradores de IA nacionales».
Cuantización a 4 bits y despliegue en NPU
La cuantización es la parte que más dice sobre el hardware. El equipo aplica una cuantización W4A4 a los pesos y a las activaciones de los expertos, lo que permite, según la ficha, «computación INT4 nativa en aceleradores de IA nacionales». La compañía asegura que mantiene una precisión comparable a la del modelo sin cuantizar en las pruebas evaluadas.
Frente a una referencia MoE en W8A8, sus pruebas de estrés dan un 43,3 % más de rendimiento en el procesado de la entrada y un 42,77 % más en la generación, con un 15,91 % menos de tiempo hasta el primer token y un 19,72 % menos de tiempo por token de salida. Si se cuantiza también la caché KV, la configuración W4A4KV8 da un 92 % más de rendimiento en generación que W8A8KV16.
El apartado de despliegue es corto: LongCat-2.5 puede desplegarse en plataformas NPU, y para hacerlo la ficha remite a SGLang-FluentLLM.
Lo que dicen sus pruebas
La compañía publica resultados en programación, agentes y tareas visuales, y avisa de que las puntuaciones medidas por la compañía son «solo orientativas», y de que las de otros modelos marcadas con asterisco salen de informes técnicos, blogs o clasificaciones oficiales. Estas son algunas, frente a LongCat-2.0:
| Prueba | LongCat-2.5 | LongCat-2.0 |
|---|---|---|
| Terminal Bench v2.1 | 88,4 | 70,8 |
| Terminal Bench v4.0 | 38,5 | 3,0 |
| DeepSWE (v1.1) | 64,6 | 9,7 |
| BrowseComp | 91,9 | 79,9 |
| MCP Atlas | 83,1 | 61,8 |
En Terminal Bench v2.1, con sus 88,4 puntos, LongCat-2.5 queda cerca de los que la tabla da a Claude Opus 5 (89,1), GPT-5.6 Sol (88,8) y DeepSeek-V4.1-Flash (90,6). En BrowseComp, sus 91,9 puntos son la cifra más alta de todos los modelos de la tabla. En DeepSWE (v1.1), en cambio, sus 64,6 puntos quedan por debajo de los 74,2 de DeepSeek-V4.1-Flash y los 72,7 de GPT-5.6 Sol.
Pesos con licencia MIT
Los pesos del modelo se publican con licencia MIT, y las contribuciones al repositorio también, salvo que se indique otra cosa. La ficha matiza que esa licencia no concede derechos sobre las marcas ni las patentes de Meituan.
El equipo añade que quien lo despliegue debe valorar su precisión, su seguridad y su equidad antes de llevarlo a escenarios sensibles o de alto riesgo.
Con LongCat-2.5, la compañía pone sobre la mesa un modelo abierto de gran tamaño, preparado para agentes y para correr sobre aceleradores de IA nacionales y plataformas NPU.
Te puede interesar
Tech Planet participa en el programa de afiliados de Amazon. Si compras a través de estos enlaces, recibimos una pequeña comisión sin coste extra para ti, lo que nos ayuda a seguir creando contenido como este.
| Imagen | Producto | Características | Comprar |
|---|---|---|---|
![]() |
AMD Ryzen 9 9950X3D | 16 núcleos / 32 hilos · 3D V-Cache con 144 MB de caché · hasta 5,7 GHz · TDP de 170 W | Ver precio en Amazon |
![]() |
Intel Core Ultra 5 245K | 14 núcleos (6 P + 8 E) · hasta 5,2 GHz · desbloqueado · chipset Intel serie 800 | Ver precio en Amazon |
![]() |
AMD Ryzen 5 8600G | 6 núcleos / 12 hilos · gráfica Radeon integrada · Ryzen AI · 65 W de TDP | Ver precio en Amazon |
![]() |
AMD Ryzen 7 7700X | 8 núcleos / 16 hilos · hasta 5,4 GHz · 105 W · socket AM5 · DDR5 y PCIe 5.0 | Ver precio en Amazon |
Escrito por Eloy Andrade









