Meituan anunció LongCat-2.5 el 2 de noviembre de 2026 y liberó sus pesos como código abierto el 10 de noviembre con la licencia MIT. Sucede a LongCat-2.0, que según Meituan se entrenó y se sirvió en un clúster de aceleradores de fabricación china. Este artículo explica qué hay de nuevo en 2.5, qué se mantiene de 2.0 y qué muestran, y qué no, las propias publicaciones y repositorios de Meituan.
Meituan abre LongCat-2.5
Meituan anunció LongCat-2.5 el 2 de noviembre de 2026 y lo describió como un modelo multimodal nativo para tareas agénticas de horizonte largo (traducido del chino por TechiesJournal). Ocho días después, la publicación del 10 de noviembre de Meituan indicó que el modelo se había liberado como código abierto con la licencia MIT, sin necesidad de autorización adicional para el despliegue comercial de inferencia ni para seguir entrenándolo (traducido). Los repositorios de Hugging Face de LongCat-2.5 y de su versión cuantizada W4A4 se crearon el 4 de noviembre y se modificaron por última vez el 10 de noviembre, lo que coincide con la secuencia que describe Meituan: anunciar primero y abrir después.
LongCat-2.5 mantiene el tamaño principal de su predecesor: la ficha del modelo de Meituan y las dos publicaciones de noviembre indican 1.6 billones de parámetros totales, con unos 48 mil millones activados por token. Por su parte, la API de Hugging Face cuenta unos 1.78 billones de parámetros de tensores almacenados en los archivos de pesos BF16 y F32 del repositorio, una cifra que Meituan no concilia con su propia cifra de 1.6 billones, la misma diferencia que se observó en LongCat-2.0.
Qué cambió respecto a LongCat-2.0
LongCat-2.0 se lanzó primero. Meituan lo anunció el 30 de junio de 2026, publicó sus pesos en Hugging Face en los primeros días de julio y describió la liberación del código abierto y su trabajo de servicio en una publicación técnica del 12 de julio. Ese modelo es un sistema de mezcla de expertos (mixture of experts) solo de texto, con los mismos 1.6 billones de parámetros totales y unos 48 mil millones activados, un rango de activación dinámica de 33 a 56 mil millones mediante lo que Meituan llama expertos de cómputo cero (zero-computation experts) y compatibilidad anunciada con un contexto de alrededor de un millón de tokens (ficha del modelo LongCat-2.0). Para quienes comparan LongCat con el movimiento más amplio hacia una infraestructura de IA construida en el propio país, el artículo de TechiesJournal sobre por qué China está construyendo una pila completa de IA (en inglés) trata el patrón general en el que se inscriben LongCat-2.0 y LongCat-2.5.
LongCat-2.5 añade tres cosas que LongCat-2.0 no tiene. Primero, la multimodalidad nativa: la ficha del modelo describe señales visuales convertidas en tokens discretos y procesadas por la misma red troncal (backbone) que el texto, a partir del trabajo anterior de Meituan en LongCat-Next, en lugar de un módulo de visión independiente acoplado a un modelo de texto. Segundo, la inferencia W4A4, que cuantiza los pesos de los expertos y las activaciones a 4 bits y los ejecuta en unidades matriciales INT4 nativas, un formato que LongCat-2.0 no usa. Tercero, una documentación pública de despliegue más limitada: la ficha del modelo LongCat-2.5 solo indica que «se puede desplegar en plataformas NPU», mientras que la ficha de LongCat-2.0 también documenta una vía para GPU mediante un cookbook de SGLang. La publicación de Meituan del 2 de noviembre (traducida) también dice que las mejoras de 2.5 en programación agéntica de horizonte largo proceden de un pipeline de aprendizaje por refuerzo más amplio y de más trayectorias de fallo reales convertidas en tareas de entrenamiento reproducibles, construidas sobre la configuración de entrenamiento con profesores expertos que ya tenía LongCat-2.0, sin sustituirla.
| Atributo | LongCat-2.0 | LongCat-2.5 |
|---|---|---|
| Parámetros totales (Meituan) | 1.6 billones | 1.6 billones |
| Parámetros activados en promedio (Meituan) | Unos 48 mil millones, rango de 33 a 56 mil millones | Unos 48 mil millones |
| Modalidad | Solo texto | Multimodal nativa (imagen y texto) |
| Contexto anunciado | Alrededor de 1 millón de tokens | Alrededor de 1 millón de tokens |
| Formato de inferencia cuantizada | BF16, FP8, INT8 | BF16, más un repositorio W4A4 (4 bits) aparte |
| Destinos de despliegue documentados | NPU (guía para Ascend Atlas A2) y GPU (cookbook de SGLang) | Solo NPU, según la ficha del modelo |
| Licencia | MIT | MIT |
| Anuncio | 30 de junio de 2026 | 2 de noviembre de 2026 |
| Publicación de los pesos | Primeros días de julio de 2026 | 10 de noviembre de 2026 |
Fuente: ficha del modelo LongCat-2.0 y ficha del modelo LongCat-2.5, consultadas el 12 de noviembre de 2026.
Lo que dice Meituan sobre el entrenamiento y la inferencia en aceleradores chinos
La afirmación de Meituan sobre LongCat-2.0 es concreta y, según el registro público, coherente en sus propios canales. Su publicación del 30 de junio (traducida) llama a LongCat-2.0 «el primer modelo de un billón de parámetros del sector en completar el entrenamiento y la inferencia de todo el proceso en un clúster de cómputo nacional de 50 000 tarjetas», entrenado desde cero. Su publicación del 12 de julio vuelve a hacer por sí sola la parte de esa afirmación referida a la inferencia: «el primer modelo de un billón de parámetros del sector en completar la inferencia en un clúster de cómputo nacional de 50 000 tarjetas» (traducido). Son declaraciones de la propia Meituan, repetidas por la empresa, no la conversión que haya hecho un observador externo de una cifra de inferencia en una cifra de entrenamiento.
Para LongCat-2.5, la publicación del 10 de noviembre de Meituan (traducida) dice que tanto el entrenamiento como el ajuste fino supervisado usaron entrenamiento con secuencias largas en aceleradores chinos, describe una memoria por tarjeta inferior a 80 GB como la restricción que debía resolver su trabajo de paralelismo y de fragmentación de memoria, e informa de una tasa de procesamiento por dispositivo un 86 % mayor que la de una línea base estándar de paralelismo de datos en sus tareas de ajuste fino con secuencias largas. La ficha del modelo LongCat-2.5 repite la cifra del 86 % en inglés. Ninguna de las dos publicaciones da un número de tarjetas para el entrenamiento de LongCat-2.5 comparable a la cifra de 50 000 tarjetas que Meituan da para LongCat-2.0.
El material público no establece de forma independiente la tasa de procesamiento del clúster, su fiabilidad, su costo ni qué parte de este trabajo podría ejecutarse en otro hardware. No se encontró código de entrenamiento de ninguno de los dos modelos en los repositorios de Meituan (consulta la tabla siguiente), así que nada de esto se puede reproducir fuera de Meituan.
| Lo que afirma Meituan | Lo que es público |
|---|---|
| LongCat-2.0 entrenado y servido en un clúster nacional de 50 000 tarjetas (publicaciones del 30 de junio y del 12 de julio) | No verificado de forma independiente. No se publicó código de entrenamiento |
| LongCat-2.5 entrenado y ajustado en aceleradores chinos con una memoria por tarjeta inferior a 80 GB (publicación del 10 de noviembre) | No verificado de forma independiente. No se publicó código de entrenamiento y no se da un número de tarjetas para 2.5 |
| La inferencia W4A4 aumenta la tasa de procesamiento del prellenado (prefill) un 43.3 % y la de la decodificación (decode) un 42.77 % frente a una línea base W8A8 (ficha del modelo LongCat-2.5 y publicación del 10 de noviembre) | Benchmark propio de Meituan, no reproducido de forma independiente |
| Ambos modelos se ejecutan en aceleradores de fabricación china | La guía de despliegue para NPU nombra los sistemas Huawei Ascend Atlas A2. Las publicaciones de Meituan solo hablan de chips «nacionales» o «de fabricación china» y no nombran ellas mismas a ningún proveedor |
Fuente: publicaciones de Meituan del 30 de junio, del 12 de julio y del 10 de noviembre, y la ficha del modelo LongCat-2.5, consultadas el 12 de noviembre de 2026.
Licencia y cómo obtener los pesos
Los pesos de LongCat-2.5 se publican con la licencia MIT. El archivo LICENSE contiene el texto estándar de MIT, y la ficha del modelo añade que la licencia «no concede ningún derecho a usar las marcas comerciales ni las patentes de Meituan». LongCat-2.0 lleva el mismo texto MIT. MIT permite el uso comercial, la modificación y la redistribución.
Los pesos se reparten en dos repositorios de Hugging Face: LongCat-2.5, almacenado en BF16 en 194 fragmentos (shards) safetensors, y LongCat-2.5-W4A4, la versión cuantizada a 4 bits. Ninguno de los dos repositorios tiene acceso restringido. Al 12 de noviembre de 2026 no existía ningún repositorio meituan-longcat/LongCat-2.5 en GitHub, y el blog técnico en inglés de Meituan para 2.5 seguía mostrando su enlace de GitHub como pendiente de publicación. Esto coincide con el propio repositorio de GitHub de LongCat-2.0, que solo contiene un README, un archivo de licencia y figuras, sin código de entrenamiento.
Para los equipos que valoran si un modelo chino de pesos abiertos encaja en su pila tecnológica, el análisis anterior de TechiesJournal sobre los modelos de pesos abiertos DeepSeek, GLM y Kimi (en inglés) trata las mismas cuestiones de licencia y facilidad de uso para otras tres familias de modelos.
Qué chips usa y si se puede ejecutar en GPU
Ni la publicación del 2 de noviembre ni la del 10 de noviembre nombran un acelerador concreto para LongCat-2.5. Ambas describen solo aceleradores y chips de IA «nacionales» o de fabricación china (traducido). El único lugar donde se nombra a un proveedor es una guía de despliegue dentro del repositorio SGLang-FluentLLM de Meituan, en su rama longcat-2.5-npu, que se dirige a los sistemas Huawei Ascend Atlas A2 Pod y describe un clúster de ejemplo de 194 tarjetas para la versión W4A4, repartidas en 2 tarjetas para un codificador visual, 64 para el prellenado y 128 para la decodificación. Meituan no dice si los chips de su clúster de entrenamiento son el mismo hardware Ascend que nombra esta guía de inferencia.
La ficha del modelo LongCat-2.5 solo indica que el modelo «se puede desplegar en plataformas NPU». A diferencia de LongCat-2.0, cuya ficha del modelo también documenta una vía de despliegue en GPU mediante un cookbook de SGLang, la ficha de LongCat-2.5 no da instrucciones de despliegue en GPU. Un equipo que planee servir LongCat-2.5 en GPU no tiene hoy una vía documentada por Meituan. Quienes siguen el desarrollo más amplio de la industria china de aceleradores de IA y centros de datos encontrarán más contexto en el panorama de TechiesJournal sobre la infraestructura de IA de China: chips, redes y nube (en inglés).
| Elemento | Estado al 12 de noviembre de 2026 |
|---|---|
meituan-longcat/LongCat-2.5 en Hugging Face | Público, licencia MIT, BF16, creado el 4 de noviembre, última modificación el 10 de noviembre |
meituan-longcat/LongCat-2.5-W4A4 en Hugging Face | Público, licencia MIT, cuantizado a 4 bits, creado el 4 de noviembre, última modificación el 10 de noviembre |
meituan-longcat/LongCat-2.5 en GitHub | No existe. El blog en inglés de Meituan seguía mostrando el enlace de GitHub como pendiente de publicación |
| Guía de despliegue para NPU | Publicada, en la rama longcat-2.5-npu del repositorio SGLang-FluentLLM, nombra Huawei Ascend Atlas A2 |
| Guía de despliegue para GPU | No se encontró ninguna para LongCat-2.5 |
| Listado en API alojadas (OpenRouter) | Solo lista meituan/longcat-2.0. No se encontró ningún listado de LongCat-2.5 en esta consulta |
Fuente: Hugging Face y GitHub, consultados el 12 de noviembre de 2026.
Qué puede hacer hoy un lector
Un equipo que evalúe LongCat-2.5 puede descargar los pesos ya, con una licencia MIT que permite el uso comercial y el entrenamiento adicional sin pedir antes permiso a Meituan. Un equipo que planee autoalojarlo debe prever hardware NPU, en concreto la plataforma Huawei Ascend Atlas A2 documentada en la propia guía de despliegue de Meituan, ya que no se han publicado instrucciones de despliegue en GPU para LongCat-2.5. Un equipo que cite las afirmaciones de Meituan sobre entrenamiento e inferencia, de cualquiera de los dos modelos, debe atribuirlas a Meituan por su nombre y por la fecha de la publicación, porque no se encontró código de entrenamiento ni una reproducción independiente de la afirmación de las 50 000 tarjetas de LongCat-2.0, ni de las cifras de memoria por tarjeta que Meituan da para LongCat-2.5. Un equipo que lea cualquier cifra de benchmark de una de las dos fichas del modelo debe tratarla como una cifra de la propia Meituan, ya que las propias fichas indican que las puntuaciones sin marca son internas y que solo las marcadas con asterisco se citan de informes de otros editores.
Referencias
- Meituan: LongCat-2.5 announcement, November 2, 2026 (Chinese)
- Meituan: LongCat-2.5 open-source announcement, November 10, 2026 (Chinese)
- LongCat-2.5 model card on Hugging Face
- LongCat-2.5-W4A4 model card on Hugging Face
- LongCat-2.5 NPU deployment guide, SGLang-FluentLLM repository
- Meituan: LongCat-2.0 announcement, June 30, 2026 (Chinese)
- Meituan: LongCat-2.0 technical post, July 12, 2026 (Chinese)
- LongCat-2.0 model card on Hugging Face
- LongCat model organisation on GitHub
- OpenRouter: Meituan LongCat-2.0 listing
Las fuentes se consultaron el 12 de noviembre de 2026. TechiesJournal tradujo las publicaciones de Meituan en chino con fidelidad, pero no a cargo de un traductor certificado. Las cifras y afirmaciones de Meituan son suyas y no se probaron de forma independiente.