Meituan a annoncé LongCat-2.5 le 2 novembre 2026 et a publié ses poids en open source le 10 novembre, sous licence MIT. Le modèle succède à LongCat-2.0, que Meituan dit avoir entraîné et servi sur un cluster d’accélérateurs de fabrication chinoise. Cet article présente ce qui est nouveau dans la version 2.5, ce qui est repris de la version 2.0, et ce que les publications et les dépôts de Meituan montrent ou ne montrent pas.
Meituan ouvre LongCat-2.5
Meituan a annoncé LongCat-2.5 le 2 novembre 2026, en le décrivant comme un modèle multimodal natif destiné aux tâches agentiques de longue haleine (traduit du chinois par TechiesJournal). Huit jours plus tard, la publication du 10 novembre de Meituan indiquait que le modèle était publié en open source sous licence MIT, sans autorisation supplémentaire nécessaire pour un déploiement commercial en inférence ou pour la poursuite de l’entraînement (traduction). Les dépôts Hugging Face de LongCat-2.5 et de sa version quantifiée W4A4 ont été créés le 4 novembre et modifiés pour la dernière fois le 10 novembre, ce qui correspond au schéma décrit par Meituan : une annonce, puis l’ouverture.
LongCat-2.5 conserve la taille affichée de son prédécesseur : la fiche du modèle de Meituan et les deux publications de novembre indiquent 1,6 billion de paramètres au total, dont environ 48 milliards activés par jeton. L’API de Hugging Face compte de son côté environ 1,78 billion de paramètres de tenseurs stockés dans les fichiers de poids BF16 et F32 du dépôt, un chiffre que Meituan ne rapproche pas de son propre chiffre de 1,6 billion. Le même écart avait été constaté pour LongCat-2.0.
Ce qui change par rapport à LongCat-2.0
LongCat-2.0 est sorti en premier. Meituan l’a annoncé le 30 juin 2026, a publié ses poids sur Hugging Face dans les premiers jours de juillet, et a décrit la publication en open source et son travail de mise en service dans une publication technique du 12 juillet. Ce modèle est un système à mélange d’experts limité au texte, avec le même total de 1,6 billion de paramètres et environ 48 milliards de paramètres activés, une plage d’activation dynamique de 33 à 56 milliards grâce à ce que Meituan appelle des experts à calcul nul (zero-computation experts), et une prise en charge annoncée d’un contexte d’environ un million de jetons (fiche du modèle LongCat-2.0). Pour les lecteurs qui comparent LongCat au mouvement plus large vers des infrastructures d’IA construites dans le pays, l’article de TechiesJournal expliquant pourquoi la Chine construit une pile d’IA complète (en anglais) présente la tendance générale dans laquelle s’inscrivent LongCat-2.0 et LongCat-2.5.
LongCat-2.5 apporte trois éléments absents de LongCat-2.0. D’abord, la multimodalité native : la fiche du modèle décrit des signaux visuels convertis en jetons discrets et traités par le même réseau principal (backbone) que le texte, en s’appuyant sur les travaux antérieurs de Meituan sur LongCat-Next, plutôt qu’un module de vision distinct greffé sur un modèle de texte. Ensuite, l’inférence W4A4, qui quantifie les poids des experts et les activations sur 4 bits et les exécute sur des unités matricielles INT4 natives, un format que LongCat-2.0 n’utilise pas. Enfin, une documentation de déploiement publique plus restreinte : la fiche du modèle LongCat-2.5 indique seulement qu’il « peut être déployé sur des plateformes NPU », alors que la fiche de LongCat-2.0 documente aussi une voie GPU au moyen d’un guide pratique (cookbook) SGLang. La publication de Meituan du 2 novembre (traduction) indique aussi que les progrès de la version 2.5 en codage agentique de longue haleine proviennent d’un pipeline d’apprentissage par renforcement plus large et d’un plus grand nombre de trajectoires d’échec réelles converties en tâches d’entraînement reproductibles, en s’appuyant sur le dispositif d’entraînement à experts enseignants (expert-teacher) existant de LongCat-2.0 plutôt qu’en le remplaçant.
| Caractéristique | LongCat-2.0 | LongCat-2.5 |
|---|---|---|
| Paramètres au total (Meituan) | 1,6 billion | 1,6 billion |
| Paramètres activés en moyenne (Meituan) | Environ 48 milliards, plage de 33 à 56 milliards | Environ 48 milliards |
| Modalité | Texte uniquement | Multimodal natif (image et texte) |
| Contexte annoncé | Environ 1 million de jetons | Environ 1 million de jetons |
| Format d’inférence quantifiée | BF16, FP8, INT8 | BF16, plus un dépôt W4A4 (4 bits) distinct |
| Cibles de déploiement documentées | NPU (guide Ascend Atlas A2) et GPU (cookbook SGLang) | NPU uniquement, selon la fiche du modèle |
| Licence | MIT | MIT |
| Annonce | 30 juin 2026 | 2 novembre 2026 |
| Publication des poids | Premiers jours de juillet 2026 | 10 novembre 2026 |
Source : fiche du modèle LongCat-2.0 et fiche du modèle LongCat-2.5, consultées le 12 novembre 2026.
Ce que dit Meituan de l’entraînement et de l’inférence sur des accélérateurs chinois
L’affirmation de Meituan au sujet de LongCat-2.0 est précise et, d’après les sources publiques, cohérente d’un canal à l’autre de l’entreprise. Sa publication du 30 juin (traduction) présente LongCat-2.0 comme « le premier modèle du secteur à mille milliards de paramètres à avoir réalisé l’entraînement et l’inférence de bout en bout sur un cluster de calcul national de 50 000 cartes », entraîné à partir de zéro. Sa publication du 12 juillet reprend à elle seule la partie de cette affirmation consacrée à l’inférence : « le premier modèle du secteur à mille milliards de paramètres à avoir réalisé l’inférence sur un cluster de calcul national de 50 000 cartes » (traduction). Il s’agit de déclarations de Meituan, répétées par l’entreprise elle-même, et non de la conversion, par un observateur extérieur, d’un chiffre d’inférence en chiffre d’entraînement.
Pour LongCat-2.5, la publication du 10 novembre de Meituan (traduction) indique que l’entraînement comme l’affinage supervisé ont reposé sur un entraînement sur de longues séquences avec des accélérateurs chinois. Elle présente une mémoire par carte inférieure à 80 Go comme la contrainte que ses travaux de parallélisme et de partitionnement de la mémoire devaient résoudre, et fait état d’un débit par appareil supérieur de 86 % à celui d’une référence standard en parallélisme de données sur ses tâches d’affinage sur de longues séquences. La fiche du modèle LongCat-2.5 reprend le chiffre de 86 % en anglais. Aucune des deux publications ne donne, pour l’entraînement de LongCat-2.5, un nombre de cartes comparable au chiffre de 50 000 cartes que Meituan avance pour LongCat-2.0.
Les éléments publics n’établissent pas de manière indépendante le débit du cluster, sa fiabilité, son coût, ni la part de ce travail qui pourrait s’exécuter sur un autre matériel. Aucun code d’entraînement n’a été trouvé pour l’un ou l’autre modèle dans les dépôts de Meituan (voir le tableau ci-dessous), si bien que rien de tout cela ne peut être reproduit en dehors de Meituan.
| Ce qu’affirme Meituan | Ce qui est public |
|---|---|
| LongCat-2.0 entraîné et servi sur un cluster national de 50 000 cartes (publications du 30 juin et du 12 juillet) | Non vérifié de manière indépendante. Aucun code d’entraînement publié |
| LongCat-2.5 entraîné et affiné sur des accélérateurs chinois avec une mémoire par carte inférieure à 80 GB (publication du 10 novembre) | Non vérifié de manière indépendante. Aucun code d’entraînement publié, et aucun nombre de cartes indiqué pour la version 2.5 |
| L’inférence W4A4 augmente le débit de préremplissage (prefill) de 43,3 % et le débit de décodage (decode) de 42,77 % par rapport à une référence W8A8 (fiche du modèle LongCat-2.5 et publication du 10 novembre) | Benchmark propre à Meituan, non reproduit de manière indépendante |
| Les deux modèles fonctionnent sur des accélérateurs de fabrication chinoise | Le guide de déploiement NPU nomme les systèmes Huawei Ascend Atlas A2. Les publications de Meituan parlent seulement de puces « nationales » ou « de fabrication chinoise » et ne nomment elles-mêmes aucun fabricant |
Source : publications de Meituan du 30 juin, du 12 juillet et du 10 novembre, et fiche du modèle LongCat-2.5, consultées le 12 novembre 2026.
Licence et accès aux poids
Les poids de LongCat-2.5 sont publiés sous licence MIT. Le fichier LICENSE reprend le texte standard de la licence MIT, et la fiche du modèle précise que la licence « n’accorde aucun droit d’utiliser les marques ou les brevets de Meituan ». LongCat-2.0 est distribué sous un texte MIT identique. La licence MIT autorise l’usage commercial, la modification et la redistribution.
Les poids sont répartis entre deux dépôts Hugging Face : LongCat-2.5, stocké en BF16 dans 194 fragments (shards) safetensors, et LongCat-2.5-W4A4, la version quantifiée sur 4 bits. Aucun des deux dépôts n’est à accès restreint (gated). Au 12 novembre 2026, aucun dépôt meituan-longcat/LongCat-2.5 n’existait sur GitHub, et le blog technique en anglais de Meituan consacré à la version 2.5 indiquait toujours son lien GitHub comme non encore publié. Cela correspond à la situation du dépôt GitHub de LongCat-2.0, qui ne contient qu’un README, un fichier de licence et des figures, sans code d’entraînement.
Pour les équipes qui se demandent si un modèle chinois à poids ouverts convient à leur pile technologique, l’article précédent de TechiesJournal consacré aux modèles à poids ouverts DeepSeek, GLM et Kimi (en anglais) traite les mêmes questions de licence et d’utilisabilité pour trois autres familles de modèles.
Quelles puces, et le modèle peut-il fonctionner sur des GPU ?
Ni la publication du 2 novembre ni celle du 10 novembre ne nomment un accélérateur précis pour LongCat-2.5. Toutes deux parlent seulement d’accélérateurs et de puces d’IA « nationaux » ou de fabrication chinoise (traduction). Le seul endroit où un fabricant est nommé est un guide de déploiement figurant dans le dépôt SGLang-FluentLLM de Meituan, sur sa branche longcat-2.5-npu, qui cible les systèmes Huawei Ascend Atlas A2 Pod et décrit un exemple de cluster de 194 cartes pour la version W4A4, réparties en 2 cartes pour un encodeur visuel, 64 pour le préremplissage et 128 pour le décodage. Meituan ne précise pas si les puces de son cluster d’entraînement sont le même matériel Ascend que celui nommé dans ce guide d’inférence.
La fiche du modèle LongCat-2.5 indique seulement que le modèle « peut être déployé sur des plateformes NPU ». Contrairement à LongCat-2.0, dont la fiche documente aussi une voie de déploiement GPU au moyen d’un cookbook SGLang, la fiche de LongCat-2.5 ne donne aucune instruction de déploiement sur GPU. Une équipe qui prévoit de servir LongCat-2.5 sur des GPU ne dispose aujourd’hui d’aucune procédure documentée par Meituan. Les lecteurs qui suivent l’essor plus large de l’industrie chinoise des accélérateurs d’IA et des centres de données trouveront davantage de contexte dans le panorama de TechiesJournal consacré à l’infrastructure d’IA de la Chine, ses puces, ses réseaux et son cloud (en anglais).
| Élément | Statut au 12 novembre 2026 |
|---|---|
meituan-longcat/LongCat-2.5 sur Hugging Face | Public, licence MIT, BF16, créé le 4 novembre, dernière modification le 10 novembre |
meituan-longcat/LongCat-2.5-W4A4 sur Hugging Face | Public, licence MIT, quantifié sur 4 bits, créé le 4 novembre, dernière modification le 10 novembre |
meituan-longcat/LongCat-2.5 sur GitHub | N’existe pas. Le blog en anglais de Meituan indiquait toujours le lien GitHub comme non encore publié |
| Guide de déploiement NPU | Publié dans la branche longcat-2.5-npu du dépôt SGLang-FluentLLM, nomme Huawei Ascend Atlas A2 |
| Guide de déploiement GPU | Aucun trouvé pour LongCat-2.5 |
| Référencement dans une API hébergée (OpenRouter) | Liste uniquement meituan/longcat-2.0. Aucune entrée LongCat-2.5 trouvée lors de cette consultation |
Source : Hugging Face et GitHub, consultés le 12 novembre 2026.
Ce qu’un lecteur peut faire aujourd’hui
Une équipe qui évalue LongCat-2.5 peut télécharger les poids dès maintenant, sous une licence MIT qui autorise l’usage commercial et la poursuite de l’entraînement sans demander d’abord l’accord de Meituan. Une équipe qui prévoit de l’auto-héberger doit prévoir du matériel NPU, plus précisément la plateforme Huawei Ascend Atlas A2 documentée dans le propre guide de déploiement de Meituan, puisqu’aucune instruction de déploiement sur GPU n’a été publiée pour LongCat-2.5. Une équipe qui cite les affirmations de Meituan sur l’entraînement et l’inférence, pour l’un ou l’autre modèle, doit les attribuer nommément à Meituan en indiquant la date de la publication, car aucun code d’entraînement ni aucune reproduction indépendante n’a été trouvé pour l’affirmation des 50 000 cartes de LongCat-2.0, ni pour les chiffres de mémoire par carte que Meituan donne pour LongCat-2.5. Une équipe qui lit un chiffre de benchmark dans l’une ou l’autre fiche de modèle doit le considérer comme un chiffre propre à Meituan, puisque les fiches elles-mêmes présentent les scores sans marque comme internes et seuls les scores marqués d’un astérisque comme cités d’après les rapports d’autres éditeurs.
Références
- 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
Sources consultées le 12 novembre 2026. Les publications de Meituan en chinois ont été traduites par TechiesJournal, de manière fidèle mais pas par un traducteur certifié. Les chiffres et les affirmations de Meituan sont les siens et n’ont pas été testés de manière indépendante.