JakiPrompt.plZapisz się na HeadFlash
Tematy:ClaudeGeminiChatGPTPerplexityCopilot

LongCat-2.5: chiński model AI bez GPU Nvidii

News4 min czytaniaZaktualizowano 17 listopada 2026

Meituan, chińska firma stojąca za popularną platformą dostaw jedzenia, udostępniła publicznie wagi swojego najnowszego modelu LongCat-2.5. To system o skali 1,6 biliona parametrów, zaprojektowany z myślą o agentach AI realizujących długie, wieloetapowe zadania - przede wszystkim związane z programowaniem. Najciekawszy szczegół kryje się jednak nie w samej architekturze, lecz w infrastrukturze: cały proces treningu odbył się na chińskich układach, bez udziału akceleratorów Nvidii.

Premiera wag nastąpiła tydzień po oficjalnej zapowiedzi modelu. Według zespołu LongCat, osiągi nowej wersji zbliżają się do czołówki zachodnich systemów w kilku benchmarkach agentowych - co w kontekście rosnącej konkurencji chińskich modeli open-weight staje się tematem wartym uwagi.

Architektura mieszanki ekspertów i multimodalność

LongCat-2.5 działa w paradygmacie mixture-of-experts (MoE) - z pełnej puli 1,6 biliona parametrów przy przetwarzaniu każdego tokena aktywowana jest jedynie niewielka część wyspecjalizowanych podsieci, około 48 miliardów. Takie podejście pozwala łączyć szeroką wiedzę modelu z kontrolowanym kosztem obliczeniowym.

Za pośrednictwem API system obsługuje kontekst do miliona tokenów i generuje odpowiedzi o długości do 128 tysięcy tokenów. Rozumie tekst, obrazy oraz wideo, a odpowiedzi udziela w formie tekstowej. Użytkownik może też włączać i wyłączać tryb rozumowania w zależności od potrzeb.

Obrazy zamieniane na tokeny zamiast osobnego enkodera

Nowością względem poprzednika - LongCat-2.0 - jest rozumienie obrazów. Wiele modeli multimodalnych dokleja do istniejącej architektury osobny enkoder wizualny. Tutaj zastosowano inne podejście: obrazy są rozbijane na tokeny w swojej natywnej rozdzielczości i przetwarzane razem z tekstem, tak jak robią to współczesne LLM-y. Rozwiązanie wywodzi się z modelu badawczego LongCat-Next i ma usprawniać zadania związane z kodowaniem wizualnym, projektowaniem oraz pracą z 3D.

Trening na prawdziwych zadaniach z GitHuba

Kluczowym wyzwaniem przy uczeniu ze wzmocnieniem (reinforcement learning) jest zapewnienie, że model rzeczywiście rozwiązuje zadania, a nie znajduje skrótów. Zespół Meituan podszedł do tego metodycznie, korzystając z autentycznych zadań programistycznych pochodzących z pull requestów na GitHubie oraz z odtworzonych scenariuszy awarii agentów.

Aby wykluczyć "oszukiwanie" podczas treningu, w środowiskach szkoleniowych zablokowano dostęp do internetu, usunięto historię Git i pliki cache, a dodatkowo osobny model językowy weryfikował, czy proponowane rozwiązania nie opierają się na nieuczciwych trikach. Zespół przeprowadził również destylację zdolności kilku wyspecjalizowanych modeli-nauczycieli - odpowiedzialnych kolejno za pracę agentową, rozumowanie i dialog - wtapiając ich umiejętności w LongCat-2.5.

Wdrożenie na 194 układach Huawei

Meituan kwantyzuje wagi ekspertów oraz aktywacje do precyzji 4-bitowej, którą chińskie chipy przetwarzają natywnie. W testach obciążeniowych firmy przepustowość wzrosła o 43,3% przy przetwarzaniu promptów i o 42,77% przy generowaniu odpowiedzi w porównaniu z wersją 8-bitową - przy zachowaniu dokładności na poziomie modelu nieskompresowanego.

Ta wersja trafiła do osobnego repozytorium. W przewodniku self-hostingu opisano klaster 194 akceleratorów Huawei Ascend z serii Atlas A2: dwa odpowiadają za przetwarzanie obrazów, 64 za wczytywanie promptów, a 128 za generowanie odpowiedzi. Dla kart Nvidii nie przewidziano żadnych wytycznych.

Wyniki na benchmarkach agentowych

Zespół LongCat raportuje 88,4 punktu na Terminal Bench v2.1 - benchmarku mierzącym skuteczność agentów w zadaniach powłoki. Dla porównania Claude Opus 5 uzyskuje tam 89,1, GPT-5.6 Sol - 88,8, a Deepseek-V4.1-Flash prowadzi z wynikiem 90,6.

W teście DeepSWE, sprawdzającym naprawianie błędów w rzeczywistych repozytoriach kodu, LongCat-2.5 zalicza wyraźny skok z 9,7 do 64,6 punktu. To rezultat lepszy jedynie od Claude Opus 4.8, ale wciąż poniżej Deepseek-V4.1-Flash (74,2) i GPT-5.6 Sol (72,7). Nowsze wersje Claude Opus 5.5 oraz GPT-6.1 Sol nie zostały uwzględnione w zestawieniu.

Trudniejszy wariant Terminal Bench v4.0 plasuje LongCat-2.5 na 38,5 punktu - nieco powyżej GPT-5.6 Sol (37,3), lecz znacznie poniżej Opus 5 (53,9). W benchmarku wyszukiwania internetowego BrowseComp model osiąga 91,9 punktu, czyli najwyższy wynik w tabeli, choć test przeprowadzono we własnym środowisku Meituan.

Otwarte wagi i cena promocyjna

Wagi LongCat-2.5 udostępniono na licencji MIT, która dopuszcza użycie komercyjne, modyfikacje oraz redystrybucję. Model można przetestować w interfejsie czatu pod adresem longcat.ai. API obsługuje zarówno format OpenAI, jak i Anthropic, dzięki czemu integruje się z narzędziami agentowymi takimi jak Claude Code, Codex czy Hermes.

W ramach startu Meituan oferuje czasową cenę promocyjną - około 0,27 euro za milion tokenów wejściowych i 1,07 euro za milion tokenów wyjściowych. Firma ujawniła też, że poprzednika, LongCat-2.0, trenowała pod koniec czerwca w całości na klastrze ponad 50 tysięcy chińskich układów AI. Wcześniej model działał anonimowo jako "Owl Alpha" na OpenRouterze.

Premiera LongCat-2.5 wpisuje się w szerszy trend: chińskie modele open-weight, takie jak Kimi K3.1 czy GLM-5.3, w dużej mierze dogoniły czołówkę amerykańskich systemów w popularnych benchmarkach. Modele optymalizowane od początku pod chińskie układy mogą dodatkowo zwiększać atrakcyjność tej infrastruktury również poza Chinami. Meituan nie ogranicza się zresztą do modeli agentowych - wcześniej udostępniła LongCat-Image, open-source'owy generator obrazów oparty na zaledwie 6 miliardach parametrów, stawiający na efektywność zamiast rozmiaru.

LongCat-2.5 pokazuje, że trening modeli na skalę bilionową bez udziału Nvidii przestaje być teoretyczną możliwością. Choć w najbardziej wymagających testach chiński system wciąż ustępuje najlepszym zachodnim modelom, dystans wyraźnie się skraca - a otwarta licencja i konkurencyjna cena mogą uczynić go realną opcją dla zespołów budujących agentów AI.

Tagi:Nvidia

Dalej w tym temacie

Google AI Edge Gallery – co to jest, jak zainstalować i jakie modele AI uruchomisz offline

Czy Twój smartfon może działać jak potężna, prywatna stacja AI, bez połączenia z internetem? Dzięki Google AI Edge Gallery to możliwe. Ten poradnik pokaże Ci, jak wykorzy…

Poradnik10 min czytania

AnythingLLM – co to jest, instalacja i prywatny czat z dokumentami PDF lokalnie

AnythingLLM konsoliduje w jednym, samodzielnie hostowanym środowisku możliwości Ollamy, LangChain i własnych interfejsów. To odpowiedź na fragmentację narzędzi dla develo…

Poradnik13 min czytania

NVIDIA Nemotron 3.5 Bolt: mały model AI do lokalnych agentów

NVIDIA udostępniła otwarty model Nemotron 3.5 Bolt E4B, który prowadzi rozmowy i wywołuje narzędzia w ok. 4 GB VRAM — zostaje miejsce na modele mowy i wizji. W testach pr…

Open source i modele lokalne4 min czytania26 października 2026