Una nuova frontiera per gli agenti IA cinesi

Il team LongCat di Meituan, il colosso cinese del delivery, ha reso disponibili i pesi del proprio modello LongCat‑2.5, solo una settimana dopo la presentazione ufficiale. Si tratta di un modello di 1,6 trilioni di parametri progettato specificamente per agenti che devono completare compiti lunghi e complessi, come la scrittura di codice, il design visivo o l’elaborazione di contenuti 3D. Meituan afferma che, su diversi benchmark, LongCat‑2.5 si colloca a un passo dai modelli di punta occidentali, come Claude Opus 5 o GPT‑5.6.

LongCat‑2.5 è costruito con l’architettura Mixture‑of‑Experts (MoE). Per ogni token elaborato il modello attiva solo una frazione delle proprie reti specializzate: su 1,6 trilioni di parametri ne vengono effettivamente coinvolti circa 48 miliardi. Questo approccio riduce drasticamente il consumo di memoria e di potenza, consentendo al contempo una scala senza precedenti.

Capacità multimodali integrate

A differenza di molti modelli multimodali che aggiungono un encoder di immagine a monte, LongCat‑2.5 converte direttamente le immagini in token, integrandole nello stesso flusso di elaborazione testuale. Il procedimento, basato sul progetto di ricerca LongCat‑Next, permette al modello di “vedere” le immagini nella loro risoluzione nativa, migliorando le prestazioni su compiti di programmazione visuale, design e manipolazione 3D.

Il modello supporta testo, immagini e video, ma fornisce sempre le risposte in forma testuale. La capacità di ragionamento (reasoning) può essere attivata o disattivata a piacere dell’utente, offrendo flessibilità per applicazioni che richiedono un’analisi più profonda o un’esecuzione rapida.

Strategie di training e ottimizzazioni hardware

Il training di LongCat‑2.5 è stato effettuato interamente su hardware cinese, sfruttando 194 acceleratori Huawei Ascend della serie Atlas‑A2. Due di questi chip sono dedicati alla trasformazione delle immagini in token, 64 gestiscono l’ingresso dei dati e 128 producono le risposte. La scelta di una rappresentazione a 4 bit per pesi e attivazioni, supportata nativamente dai chip Huawei, ha portato a un incremento del throughput del 43,3 % nella lettura del prompt e del 42,77 % nella generazione della risposta, senza perdita di precisione rispetto a una versione a 8 bit.

Per l’apprendimento per rinforzo (RL) il team ha utilizzato compiti reali provenienti da pull‑request di GitHub, nonché fallimenti deliberati di agenti. Le sandbox di training erano isolate da rete, dalla cronologia Git e da file temporanei, costringendo il modello a risolvere il problema senza ricorrere a scorciatoie. Inoltre, le soluzioni generate sono state validate da un modello linguistico per garantire la correttezza dei passaggi.

Distillazione da modelli specialisti

Meituan ha impiegato la tecnica di distillazione per trasferire le competenze di diversi modelli specialisti – focalizzati su agenti, ragionamento e dialogo – verso LongCat‑2.5. Questo ha permesso di consolidare in un unico modello una gamma più ampia di capacità, riducendo al contempo la necessità di mantenere più architetture separate.

Prestazioni sui benchmark internazionali

Nel benchmark Terminal‑Bench v2.1 LongCat‑2.5 ottiene 88,4 punti, appena dietro Claude Opus 5 (89,1) e GPT‑5.6 Sol (88,8). Il leader della classifica è Deepseek‑V4.1‑Flash con 90,6 punti. Per il test DeepSWE, che valuta la capacità di correggere errori in repository di codice reali, LongCat‑2.5 sale da 9,7 a 64,6 punti, posizionandosi dietro solo a Deepseek‑V4.1‑Flash (74,2) e GPT‑5.6 Sol (72,7).

Nel più impegnativo Terminal‑Bench v4.0 il modello segna 38,5 punti, superando leggermente GPT‑5.6 Sol (37,3) ma lontano da Opus 5 (53,9). Per la task di ricerca web BrowseComp, LongCat‑2.5 raggiunge 91,9 punti, il valore più alto nella tabella, sebbene il test sia stato condotto in un ambiente proprietario di Meituan.

Confronti con modelli cinesi aperti

Il predecessore LongCat‑2.0, addestrato su più di 50 000 chip KI cinesi, era stato rilasciato sotto il nome “Owl Alpha” su OpenRouter. Altri modelli open‑weight cinesi, come Kimi K3.1 e GLM‑5.3, hanno già chiuso il divario con le soluzioni statunitensi nei benchmark più comuni, dimostrando la crescente competitività dell’ecosistema cinese.

Licenza, accessibilità e costi

I pesi di LongCat‑2.5 sono distribuiti sotto licenza MIT, che consente l’uso commerciale, la modifica e la redistribuzione senza restrizioni. È possibile sperimentare il modello su longcat.ai tramite una chat dimostrativa. L’API accetta formati compatibili con OpenAI e Anthropic, permettendo l’integrazione in framework per agenti come Claude Code, Codex e Hermes.

Per incentivare l’adozione, Meituan propone un prezzo promozionale temporaneo di circa 0,27 € per milione di token di input e 1,07 € per milione di token di output. Questo posizionamento di costo è competitivo rispetto ai principali provider occidentali, soprattutto per carichi di lavoro intensivi in token.

Prospettive future

Oltre ai modelli agenti, Meituan sta sviluppando LongCat‑Image, un generatore di immagini open‑source da 6 miliardi di parametri che privilegia l’efficienza rispetto alla pura scala. La strategia di ottimizzare fin dalla progettazione per chip cinesi rende l’hardware locale più attraente anche per clienti internazionali, potenzialmente ampliando il mercato al di fuori della Cina.

In conclusione, LongCat‑2.5 rappresenta una pietra miliare per l’open‑source AI in Asia: combina una dimensione colossale, un’architettura MoE altamente efficiente, capacità multimodali native e prestazioni competitive sui benchmark più difficili. Con licenza MIT, costi di utilizzo contenuti e un ecosistema di tool già pronto, il modello potrebbe diventare un punto di riferimento per sviluppatori e ricercatori che cercano un’alternativa potente e indipendente dalle soluzioni occidentali.