LongCat-2.5 vereint Bildverständnis und Agenten-Coding in einem Modell mit 1,6 Billionen Parametern
LongCat-2.5: Native Multimodality for Agentic Tasks
LongCat-2.5 ist ein natives multimodales Modell für langfristige Agentenaufgaben. Bei 1,6 Billionen Gesamtparametern und rund 48 Milliarden aktiven Parametern pro Token verarbeitet es visuelle Signale als mehrstufige diskrete Tokens im selben Format wie Text. Groß angelegtes Reinforcement Learning über lange Horizonten und gemischtes Training über verschiedene Scaffolds hinweg stärken die End-to-End-Engineering-Fähigkeiten; W4A4-Inferenz und Long-Context-Training laufen auf heimischen KI-Beschleunigern.
Wir wandeln reale Fehlerverläufe von Agenten in reproduzierbare, verifizierbare Trainingsaufgaben um und ergänzen gezielt Trainingsdaten, um Lücken in den Fähigkeiten des Modells zu schließen.
- slopnt
Die Balkendiagramme sind falsch eingefärbt, sodass nur ihr eigenes Modell sichtbar ist. Es ist schwer, sie zu vergleichen. Das deutet stark darauf hin, dass sich nie ein Mensch den Blogpost angesehen hat.
- BugsJustFindMe
> "Die Diagramme unten vergleichen es mit GPT-5.5, GPT-5.6-Sol, Claude-Opus-4.8 und Claude-Opus-5"
Es sollte eine Regel gegen die Veröffentlichung scheinbar veralteter Vergleiche geben, ohne zu erklären, warum man das tut. Wenn man keinen Kostengrund nennt, wirkt es, als versuche man, etwas zu verbergen.
Ich sage nicht, dass der gegebene Vergleich an sich schlecht ist. Ich sage, dass sie es versäumt haben, irgendeinen für potenzielle Nutzer nützlichen Grund dafür anzugeben, warum diese spezifischen, nicht aktuellen Modellversionen aussagekräftig sind.
- colingauvin
Für die API scheint das basierend auf den veröffentlichten Benchmarks konkurrenzfähig zu sein. Für den Betrieb zu Hause ist es sinnlos, wenn DS4.1 mehr oder weniger gleichwertig ist, aber nur die Hälfte der Gesamtparameter und weniger als die Hälfte der aktiven Parameter hat.