AI News
Alle Meldungen
Berichtet

Offenes Modell LongCat 2.5 erreicht 1,6 Billionen Parameter, davon 48 Milliarden aktiv

Laut Matthew Berman ist LongCat 2.5 ein multimodales Modell mit 1,6 Billionen Parametern und 48 Milliarden aktiven Parametern, das sich herunterladen lässt.

Open Source · · 2 Min. Lesezeit

Das LongCat-Team von Meituan hat LongCat-2.5 veröffentlicht, ein multimodales Modell mit offenen Gewichten, 1,6 Billionen Parametern insgesamt und rund 48 Milliarden aktivierten Parametern pro Token. Die Gewichte stehen unter der MIT License zur Verfügung. Matthew Berman, der die Veröffentlichung in einem Video besprach, nannte es ein Modell mit 1,6 Billionen Parametern und 48 Milliarden aktiven Parametern, das sich herunterladen lässt. Von dem Unternehmen habe er zuvor noch nie gehört, sagte er.

Die Zahl der aktiven Parameter und ihre Gesamtzahl messen Unterschiedliches. Die Model Card beschreibt LongCat-2.5 als Mixture-of-Experts-Modell: Ein Router schickt jedes Token an eine kleine Teilmenge der Experten im Netz. Der Rechenaufwand pro Token richtet sich daher nach den 48 Milliarden aktivierten Parametern. Um Anfragen zu beantworten, müssen aber trotzdem alle 1,6 Billionen Parameter irgendwo gespeichert sein. Berman sagte, bei 1,6 Billionen Parametern würden die meisten Menschen das Modell nicht lokal betreiben können. Die Metadaten der Model Card selbst geben die Safetensors-Größe mit „1.8T params“ an, nicht mit 1,6T. Eine Erklärung für den Unterschied liefert die Seite nicht.

Laut Model Card ist das Modell für agentische Aufgaben mit langem Zeithorizont gebaut und verbindet visuelles Verständnis mit agentischem Coding. Es deckt die Entwicklung komplexer Codebasen, den Aufbau ganzer Projekte, kreatives Design und 3D-Aufgaben ab. Bermans Aussagen über ein stärkeres visuelles Verständnis und Stärken bei kreativem Design und 3D lassen sich anhand der Benchmark-Tabelle der Card überprüfen, und die fällt gemischt aus. Bei 3DCodeBench (Text→3D) erreicht LongCat-2.5 55,4 Punkte, mehr als die für Claude-Opus-5 angegebenen 54,3 und die für GLM-5.3 angegebenen 53,4. Bei VideoMME kommt es dagegen auf 85,2, verglichen mit den zitierten 89,5 für GPT-5.6-Sol und 90,0 für kimi-k3. Die Card kennzeichnet Werte mit einem Sternchen, wenn sie aus öffentlichen Berichten zitiert sind. Werte ohne Kennzeichnung wurden laut Card intern gemessen und sind nur als Richtwert zu verstehen. Das 3D-Ergebnis ist nicht gekennzeichnet, stammt also aus der eigenen Messung des Unternehmens, und der Vorsprung vor dem nächstplatzierten Modell beträgt rund einen Punkt.

Die Card berichtet außerdem über Arbeiten zur Quantisierung für den Betrieb. LongCat-2.5 wendet W4A4-Quantisierung auf die Gewichte und Aktivierungen der Experten an, was laut Card native INT4-Berechnungen auf heimischen KI-Beschleunigern ermöglicht. Im Vergleich zu einer W8A8-MoE-Baseline nennt die Card für Online-Stresstests einen um 43,3 % höheren Prefill-Durchsatz und einen um 42,77 % höheren Decode-Durchsatz. Diese Zahlen stammen aus den eigenen Tests des Unternehmens. Über diese Beschreibung hinaus nennt die Card weder die Hardware noch den Workload.

Was sich ändert

Art: Neue Funktion · Betrifft: LongCat-2.5

Warum es wichtig ist

Sehr große offene Modelle erweitern die Auswahl für Organisationen mit umfangreicher Inferenz-Infrastruktur, auch wenn die meisten Teams auf gehosteten Zugang angewiesen sein werden.

Originalquelle

Wo wir es gesehen haben

1 Quelle

Forward Future (Matthew Berman)

LongCat

KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es