Meituan открыла веса своей мультимодальной языковой модели LongCat-2.5 с поддержкой зрения под свободной лицензией MIT

Meituan опубликовала веса LongCat-2.5 9 ноября — через неделю после представления модели. Китайская компания, специализирующаяся на доставке еды и электронной коммерции, выложила чекпойнт на Hugging Face под лицензией MIT, дав разработчикам ещё один способ запускать модель, которая умеет анализировать скриншоты и видео, разбираться в кодовой базе и писать или дорабатывать ПО в несколько шагов.

Сильнее всего LongCat-2.5 стоит протестировать на задачах, требующих одновременно визуальной оценки и программирования. Представьте разработчика, который передаёт агенту скриншот сломанного процесса оформления заказа, просит найти соответствующие компоненты в репозитории, а затем получает от него предложенный патч и проверку результата в браузере.

Цены на облачный API Meituan делают такой эксперимент относительно недорогим. Для покупателей важнее другой вопрос: справится ли модель по своим сниженным тарифам API с достаточным объёмом визуальных задач и программирования, чтобы премиальные модели можно было оставить для более сложной работы. Эксплуатация полной модели внутри частной сети — совсем другой расчёт.

Важное замечание для американских и западных компаний, рассматривающих эту модель: китайские ИИ-модели вызывают в Вашингтоне всё больше вопросов. В октябре Министерство внутренней безопасности США обнародовало приказ, обязывающий федеральные гражданские ведомства исключить DeepSeek из закупок и удалить его технологии из соответствующих систем, включая реализации, поставляемые третьими сторонами. Приказ направлен против DeepSeek и аффилированных с ней структур.

По данным VentureBeat, по состоянию на 9 ноября не было ни одного публично раскрытого федерального ограничения США на закупку или использование, в котором прямо назывались бы Meituan или LongCat-2.5. Но правила могут быстро измениться.

Как сообщал VentureBeat в феврале, министр обороны Пит Хегсет 27 февраля объявил, что поручает Пентагону признать Anthropic «угрозой национальной безопасности в цепочке поставок». Он официально оформил этот статус 3 марта. Оба случая показывают, как быстро спор или решение в области цепочек поставок может изменить то, чем вправе пользоваться ведомства и их поставщики

Где визуальное понимание оправдывает себя

В своём техническом описании Meituan рассказывает о модели, которая представляет визуальную информацию в виде токенов и обрабатывает её вместе с текстом. Её руководство по API показывает, как разработчики могут отправлять скриншоты, диаграммы, изображения и видео. Изображения можно встроить в запрос или передать по URL. Задокументированный интерфейс для видео принимает только URL — существенное ограничение для команд, работающих с внутренними записями экрана.

Для фронтенда и продуктовой разработки хорошей первой задачей станет визуальная регрессия с известным исправлением. Дайте агенту скриншот с ошибкой, доступ к тестовому репозиторию и возможность отрисовать исправленную страницу. Проверьте, найдёт ли он причину, внесёт ли точечное изменение и сохранит ли навигацию с клавиатуры и адаптивное поведение. Похожий процесс позволяет превращать дизайн-макеты в прототипы, но тест должен проверять не только то, правильно ли выглядит результат, но и соответствует ли он библиотеке компонентов и правилам взаимодействия, принятым в команде.

Meituan выделила демонстрации разработчиков, среди которых сайт презентации автомобиля от Tasihi, интерфейс фэнтезийной игры от AI Maverick Frank и сайт управления магазином от Aigc Lancet. В собственных примерах компании — интерактивная симуляция жидкости и 3D-выставка. Это хорошие ориентиры для команд, создающих демо или внутренние инструменты. Однако у прототипа интернет-магазина и у боевого магазина разные критерии приёмки. Во втором случае сгенерированный код всё равно должен проходить те же проверки функциональности, доступности и сопровождаемости, что и изменения, написанные человеком.

LongCat опережает предшественника, но новые конкуренты задают более высокую планку

Самое наглядное сравнение в оценке Meituan — с предыдущей версией. LongCat-2.5 набирает 88,4 против 70,8 в Terminal Bench v2.1, 64,6 против 9,7 в DeepSWE v1.1 и 58,3 против 33,1 в тесте SWE Atlas на ответы на вопросы по кодовой базе. Эти результаты дают основание заново протестировать LongCat на работе с репозиториями, особенно если команды ранее отвергли версию 2.0.

Сравнения с конкурентами в презентационных материалах Meituan неоднозначнее. В Terminal Bench v2.1 LongCat-2.5 отстаёт от GPT-5.6 Sol и Claude Opus 5 менее чем на балл. В версии 4.0 она набирает 38,5 против 53,9 у Claude Opus 5. В DeepSWE среди четырёх приведённых ниже моделей лидирует DeepSeek-V4.1-Flash. В 3DCodeBench в этой группе впереди LongCat, а в Vision2Web — Claude Opus 5. Для команды разработчиков такой разброс важен, поскольку операции в терминале, исправления в репозитории и превращение скриншота в веб-интерфейс — разные задачи.

В качестве двух проприетарных ориентиров Meituan выбрала GPT-5.6 Sol и Claude Opus 5. Их прямые преемники уже были доступны, когда Meituan представила LongCat-2.5. OpenAI выпустила GPT-6.1 Sol 29 сентября, а Anthropic анонсировала Claude Opus 5.5 22 сентября. Выбор более старых базовых моделей говорит о том, что Meituan позиционирует LongCat-2.5 чуть ниже передового уровня: производительность, сопоставимая с предыдущим поколением премиальных моделей на отдельных задачах, при гораздо более низкой цене за токен. Это лишь интерпретация данных, которые Meituan решила опубликовать. Сам по себе такой выбор не позволяет определить, как LongCat соотносится с лучшими моделями на сегодняшний день.

В таблице результаты из отчёта Meituan о бенчмарках отделены от результатов рейтинга Terminal-Bench 4.0. Meituan сочетает собственные прогоны с опубликованными результатами. Показатели GPT-6.1 Sol и Opus 5.5 в рейтинге получены при максимальном уровне усилий и с использованием их собственных инструментов для программирования — Codex и Claude Code. Рассматривайте их как ориентиры для той же версии бенчмарка, но при иных условиях тестирования. Прочерк означает, что для этого сравнения нет подтверждённого результата. Цены API указаны в долларах США за миллион некэшированных входных и выходных токенов соответственно.

Meituan обозначает запись в бенчмарке как DeepSeek-V4.1-Flash. Согласно документации API DeepSeek, её облачный эндпоинт Flash обслуживает чекпойнт 1017, однако в таблице Meituan суффикс чекпойнта не указан.

Новые результаты Terminal-Bench меняют восприятие почти равного результата LongCat-2.5 и GPT-5.6 Sol в таблице Meituan для v4.0. И GPT-6.1 Sol, и Opus 5.5 показывают в рейтинге более высокие результаты, чем заявленные 38,5 у LongCat, хотя различия в условиях тестирования не позволяют сделать однозначный вывод при прямом сравнении.

Поэтому именно новые Sol и Opus — более полезные проприетарные контрольные модели для корпоративного тестирования в программировании. Для команд, которые уже платят за передовую производительность на сложных задачах, GPT-6 Astra и Claude Fable 5.2, выпущенная Anthropic 9 ноября, — варианты эскалации, которые стоит проверить на случаях, с которыми LongCat не справляется.

Практическое сравнение должно проводиться при одинаковых инструментах и бюджете. Дайте каждой модели одно и то же состояние репозитория, браузер, набор тестов, права на инструменты и лимит времени. Повторите несколько задач, чтобы увидеть, как часто каждая модель добивается успеха.

В задачах «скриншот в код» оценивайте отрисованный результат и код по отдельности. При исправлении ошибок проверяйте, устраняет ли патч причину и не приходится ли ревьюеру переделывать его. За гладким ответом может скрываться неудачный вызов инструмента или изменение, ломающее не связанную с задачей функцию.

Цены и лицензия упрощают пробное использование облачной версии

В тарифах Meituan указана ограниченная по времени ставка 0,006 доллара за миллион кэшированных входных токенов, 0,30 доллара за некэшированный ввод и 1,20 доллара за вывод. При таких ставках прогон с 200 000 некэшированных входных токенов и 100 000 оплачиваемых выходных токенов обойдётся в 0,18 доллара за токены модели.

Тот же объём токенов при указанных выше ставках стоил бы 0,09 доллара по внепиковым тарифам DeepSeek, 1,40 доллара с GPT-6.1 Sol, 2,80 доллара с Opus 5.5, 7 долларов с GPT-6 Astra и 5,60 доллара с Fable 5.2.

В примере объём токенов фиксирован и остаётся ниже порога, за которым OpenAI взимает повышенную плату за GPT-6.1 Sol. На практике модели могут тратить разное количество токенов на рассуждения, повторять вызовы инструментов или требовать повторной попытки.

Новые модели и сами по себе меняют картину затрат. По базовым тарифам GPT-6.1 Sol берёт за ввод и вывод вдвое меньше, чем указанная промо-ставка GPT-5.6 Sol, а Opus 5.5 стоит дешевле за токен, чем Opus 5. LongCat сохраняет заметное ценовое преимущество даже перед более дешёвыми преемниками.

Внепиковая цена DeepSeek — более точный ориентир того, сколько компании стоит рассчитывать платить за модель с загружаемыми весами и конкурентоспособными результатами в программировании.

При принятии решений о закупке отслеживайте стоимость одного принятого результата. Учитывайте повторные попытки, время работы браузера или песочницы, резервные вызовы другой модели и время, которое инженеры тратят на проверку патчей.

Ставки на кэш важны для агентов, которые многократно отправляют стабильный префикс промпта или большие объёмы контекста репозитория. Измеряйте фактическую долю попаданий в кэш в том инструменте, которым пользуются разработчики. Сам по себе размер контекстного окна мало что говорит о счёте.

Лицензия MIT на веса Meituan разрешает коммерческое использование, модификацию и распространение при соблюдении требований об уведомлении.

Облачный сервис — отдельное решение о покупке. Для тестирования с проприетарным кодом или скриншотами выясните, как сервис обращается с хранением, доступом и удалением данных, прежде чем загружать корпоративную информацию. Чтобы понять, заслуживает ли модель более глубокой проверки, достаточно песочницы с публичными или синтетическими материалами.

Самостоятельное развёртывание зависит от стека инференса

Согласно карточке модели Meituan, у LongCat-2.5 около 48 млрд активных параметров на токен из 1,6 трлн общих. Модель направляет каждый токен через подмножество своих экспертов, но для её обслуживания всё равно необходимо держать доступным весь чекпойнт.

При двух байтах на параметр 1,6 трлн параметров означали бы около 3,2 ТБ только на веса в гипотетическом однородном 16-битном представлении.

Этот расчёт иллюстративен. Он не учитывает буферы среды выполнения и память для хранения контекста в рамках запроса и не описывает реальный объём чекпойнта.

Снимок репозитория на Hugging Face показывает в метаданных 1,8T, тогда как в техническом описании Meituan указано 1,6T. Для расчёта развёртывания ориентируйтесь на файлы и точный формат инференса.

Meituan ссылается на руководство по развёртыванию SGLang-FluentLLM на нейропроцессорах. В её техническом блоге описано снижение точности весов экспертов и активаций до четырёх бит на китайских ускорителях.

Эти оптимизации свидетельствуют о конфигурации, которую протестировала Meituan. Командам с другим парком ускорителей следует убедиться, что среда инференса способна загрузить чекпойнт и сохранить визуальные возможности модели и её поведение при работе с инструментами. Затем нужно измерить, сколько длинных запросов кластер может обрабатывать одновременно, сколько времени они занимают и как меняется производительность под нагрузкой.

Частное развёртывание имеет смысл изучить, если объём или чувствительность задач визуального программирования достаточно велики, чтобы оправдать эксплуатацию такого стека. Команде, которая лишь изредка делает прототипы, проще пойти путём оценки облачной версии.

Для обслуживания кода с преобладанием текста полезным первым объектом сравнения станет DeepSeek — с учётом её опубликованных результатов в программировании и более низкой внепиковой цены. Для изменений, где основную часть затрат составляют время ревьюеров или последствия сбоя, держите в резерве модель, которая лучше показывает себя на соответствующем внутреннем тесте.

Первое решение — улучшает ли LongCat-2.5 уже существующий у команды рабочий процесс. Начните с исправления ошибки по скриншоту, задачи «дизайн в код» и чисто текстовой задачи в репозитории в качестве контрольной. Если модель доводит до успешного ревью больше визуальной работы при меньших совокупных затратах, направляйте эту работу ей. Покупка кластера может подождать, пока тестирование не покажет, как часто проявляется это преимущество и чего оно стоит.

Для компаний, рассматривающих LongCat-2.5, особенно тех, что обслуживают или планируют обслуживать государственных заказчиков в США, вопрос о том, где работает модель, и вопрос о том, разрешает ли контракт её использование, — это разные вопросы.

Самостоятельное размещение или запуск весов в контролируемом компанией облаке в США может дать командам больше контроля над тем, куда попадают промпты и логи, какую версию модели они используют и к каким инструментам она имеет доступ. Однако ограничение может распространяться на технологию и при развёртывании у третьей стороны, как показывает приказ в отношении DeepSeek.

Даже при отсутствии публично раскрытого приказа, упоминающего LongCat-2.5, поставщикам следует проверить условия своих контрактов и применимые федеральные приказы в сфере цепочек поставок, прежде чем использовать её в работе для госсектора. Держите вторую модель, протестированную на тех же задачах, чтобы изменение допустимости не вынудило всё перестраивать.