LongCat-2.5 alcanza 1,6 billones de parámetros para dominar tareas de agente de largo horizonte
LongCat-2.5: Native Multimodality for Agentic Tasks
LongCat-2.5 es un modelo multimodal nativo de 1,6 billones de parámetros totales y unos 48 mil millones activados por token, pensado para tareas de agente de largo horizonte. Representa las señales visuales como tokens discretos multinivel, unificando imagen y texto en un mismo formato, y refuerza la codificación agéntica con aprendizaje por refuerzo a gran escala sobre trayectorias reales. También optimiza el entrenamiento de contexto largo y la inferencia W4A4 en aceleradores de IA nacionales.
Convertimos trayectorias reales de fallos de agentes en tareas de entrenamiento reproducibles y verificables, añadiendo de forma continua datos específicos para cerrar las brechas de capacidad del modelo.
- slopnt
Los gráficos de barras están mal coloreados, así que solo se ve su propio modelo. Es difícil compararlos. Esto sugiere en gran medida que el artículo del blog nunca fue revisado por un humano.
- BugsJustFindMe
> "los gráficos a continuación lo comparan con GPT-5.5, GPT-5.6-Sol, Claude-Opus-4.8 y Claude-Opus-5"
Debería haber una regla contra publicar comparaciones aparentemente obsoletas sin explicar por qué lo haces. Si no das una razón de coste, parece que estás intentando ocultar algo.
No estoy diciendo que la comparación dada sea intrínsecamente mala. Estoy diciendo que no incluyeron ninguna razón útil para los posibles usuarios sobre por qué esas versiones específicas de modelos no actuales son relevantes.
- colingauvin
Para la API, esto parece competitivo según los benchmarks publicados. Para ejecutarlo en casa, no tiene sentido cuando DS4.1 es más o menos equivalente pero con la mitad de parámetros totales y menos de la mitad de parámetros activos.