longcat-2.5 : Meituan mise sur un agent IA multimodal
longcat-2.5 combine MoE, multimodalité et agents. Le modèle de Meituan revendique 1,6 trillion de paramètres.

Meituan met en avant longcat-2.5, un modèle IA pensé pour les tâches agentiques longues, avec texte, image et vidéo en entrée. Le point marquant : ce modèle MoE revendique 1,6 trillion de paramètres, dont environ 48 milliards activés par token, et The Decoder rapporte qu’il a été entraîné sans GPU Nvidia.
Pour une entreprise, l’intérêt n’est pas seulement la taille du modèle. LongCat-2.5 vise surtout les usages où un agent doit raisonner, coder, inspecter des interfaces visuelles et enchaîner plusieurs étapes avec un long contexte.
Ce qui change concrètement
LongCat-2.5 est présenté officiellement comme un modèle MoE natif multimodal. MoE signifie mixture of experts : le modèle dispose d’un très grand nombre de paramètres, mais n’en active qu’une partie à chaque token. Ici, la page officielle annonce 1,6 trillion de paramètres au total et environ 48 milliards de paramètres actifs par token.
La multimodalité est un autre point clé. Selon The Decoder, LongCat-2.5 ne se contente pas d’ajouter un encodeur d’image séparé. Les images sont converties en tokens et traitées avec le texte, une approche utile pour le codage visuel, la conception créative et certaines tâches 3D. Les changelogs officiels positionnent aussi le modèle sur ces usages agentiques et multimodaux.
La fenêtre de contexte est très large. La documentation officielle indique 1 048 576 tokens de contexte pour LongCat-2.5, soit 1M. Elle indique aussi une limite de génération de 262 144 tokens via le paramètre max_tokens. Pour des workflows professionnels, cela peut permettre de charger des dépôts de code, des spécifications, des tickets et des traces d’exécution dans une même session, sous réserve de coût, de latence et de gouvernance des données.
Côté performances, The Decoder rapporte plusieurs résultats publiés par Meituan. LongCat-2.5 atteint 88,4 sur Terminal Bench v2.1, contre 89,1 pour Claude Opus 5 dans le tableau cité. Sur Terminal Bench v4.0, plus difficile, il obtient 38,5, au dessus de GPT-5.6 Sol dans ce tableau, mais loin d’Opus 5 à 53,9. Sur BrowseComp, Meituan indique 91,9, le meilleur score du tableau, mais The Decoder précise que ce test a été exécuté dans l’environnement de Meituan.
Le point matériel est stratégique. The Decoder rapporte que LongCat-2.5 a été entraîné entièrement sur du matériel chinois, sans GPU Nvidia. Le même média indique que la version self-hostable décrite par Meituan repose sur un cluster de 194 accélérateurs Huawei Ascend de la série Atlas A2 : 2 pour le traitement image, 64 pour l’ingestion des prompts et 128 pour la génération.
Comment l'essayer
LongCat-2.5 est accessible via une API compatible avec les formats OpenAI et Anthropic. Le Quick Start officiel mentionne les endpoints https://api.longcat.chat/openai et https://api.longcat.chat/anthropic. La FAQ précise qu’une seule clé API LongCat suffit pour accéder aux services du modèle et qu’elle fonctionne avec les deux formats.
Pour l’inscription, la FAQ indique que les utilisateurs hors Chine continentale peuvent se connecter ou créer un compte avec un numéro de téléphone mobile ou une adresse e-mail. Pour la France, il faut rester prudent : les conditions d’utilisation indiquent que Meituan fournit les services LongCat via des installations situées en République populaire de Chine et ne garantit pas que les services soient appropriés ou faisables dans d’autres pays ou régions.
Le prix spécifique de LongCat-2.5 n’est pas communiqué dans les pages d’accès et de paramètres utilisées ici. Il ne faut donc pas extrapoler à partir d’autres pages tarifaires LongCat sans confirmation officielle pour ce modèle.
Pour qui, et pour quoi faire
Le cas d’usage le plus évident concerne les équipes de développement qui veulent tester un agent capable de travailler sur des tâches longues. Par exemple : analyser un dépôt, lire un ticket, identifier les fichiers concernés, proposer une correction, générer des tests, puis expliquer les choix techniques. Les scores Terminal Bench et DeepSWE cités par The Decoder montrent que Meituan cherche clairement ce terrain : l’agent logiciel, pas seulement le chatbot généraliste.
Le second terrain concerne les métiers produit, design et 3D. Comme LongCat-2.5 accepte des entrées visuelles, il peut servir à commenter une interface, détecter une incohérence dans un parcours, rapprocher une capture d’écran d’une spécification ou assister une tâche de conception. Cela ne remplace pas la validation métier, mais cela peut accélérer la préparation d’un diagnostic ou d’une liste de corrections.
Si tu veux structurer ce type d’expérimentation, le plus important est de cadrer le rôle de l’agent, ses accès, ses outils et ses garde-fous. Le guide NXUS sur les agents IA en entreprise peut aider à poser cette méthode avant de brancher un modèle à un environnement réel.
Limites et points de vigilance
Les benchmarks doivent être lus avec prudence. Certains résultats sont fournis par Meituan, et The Decoder signale que BrowseComp a été exécuté dans l’environnement de Meituan. Il faut donc comparer sur tes propres tâches : code interne, documentation réelle, contraintes de sécurité, langues utilisées et qualité attendue.
La localisation des services est aussi un sujet majeur. Les conditions officielles indiquent des installations situées en République populaire de Chine et ne garantissent pas l’adéquation du service à d’autres pays ou régions. Pour une entreprise française ou européenne, cela impose une analyse juridique, sécurité et conformité avant tout envoi de données sensibles.
Le self-hosting n’est pas trivial. Le cluster cité par The Decoder pour la version auto-hébergée mobilise 194 accélérateurs Huawei Ascend. Ce n’est pas une configuration légère, et aucun guidage Nvidia n’est mentionné dans l’article. Le modèle peut donc être ouvert sur certains aspects, tout en restant exigeant côté infrastructure.
L'avis NXUS
longcat-2.5 mérite une veille sérieuse, surtout si tu suis les modèles agentiques pour le code et les workflows longs. Son intérêt vient autant de son architecture MoE et de son contexte 1M que de son entraînement annoncé sur matériel chinois.
Pour un usage professionnel, commence par un pilote sans données sensibles, avec un jeu de tâches mesurable. Compare les résultats à tes modèles actuels sur les mêmes tickets, avec les mêmes critères. Et avant tout déploiement, vérifie la conformité, la localisation des données, le coût réel et la capacité de ton équipe à superviser l’agent.
Sources
Source : longcat.ai
Rudy Molinillo


