Meituan, raksasa layanan on-demand asal China, pada 2 November 2026 merilis LongCat-2.5, model AI multimodal native yang dirancang untuk tugas agen jangka panjang. Model ini memiliki 1,6 triliun parameter total dengan sekitar 48 miliar parameter yang diaktifkan per token, dan seluruh proses pelatihannya diselesaikan menggunakan akselerator AI domestik China. 🔗 BigGo Finance
Peluncuran ini menegaskan tren yang semakin jelas: laboratorium AI China semakin mampu melatih model berskala frontier di atas perangkat keras buatan dalam negeri, sebagai respons strategis terhadap kontrol ekspor Amerika Serikat. LongCat-2.5 menjadi model berparameter triliunan kedua Meituan yang dilatih sepenuhnya di chip domestik, setelah LongCat-2.0 pada Juni 2026. 🔗 Tech Times
Dari LongCat-2.0 ke LongCat-2.5
Versi terbaru memperkuat pemahaman visual native dan kemampuan pemrograman agen, sekaligus mengoptimalkan pelatihan konteks panjang dan efisiensi inferensi pada akselerator domestik. Peningkatan utama terletak pada kemampuan agen: tim LongCat memasukkan lebih banyak trajektori jangka panjang ke dalam pelatihan sekuens panjang dan menerapkan reinforcement learning berskala besar untuk tugas jangka panjang. 🔗 AICoder
Pendekatan ini mencakup sintesis data, konstruksi lingkungan, serta pelatihan campuran di berbagai harness. Secara khusus, tim mengonversi trajektori kegagalan agen di dunia nyata menjadi tugas pelatihan yang dapat direproduksi dan diverifikasi, lalu menambahkannya secara bertahap untuk menambal kesenjangan kapabilitas model. 🔗 Dev Clauneck
Arsitektur dan Pelatihan Konteks Panjang
LongCat-2.5 menggunakan arsitektur mixture-of-experts (MoE) dengan total 1,6 triliun parameter dan sekitar 48 miliar parameter aktif per token. Pada fase mid-training dan supervised fine-tuning, model menjalani pelatihan konteks panjang hingga 1 juta token per sekuens, dengan akumulasi data berjumlah triliunan token. 🔗 BigGo Finance
Untuk menangani sekuens sepanjang itu, sistem pelatihan memprioritaskan efisiensi memori dan menyelaraskan paralelismenya dengan arsitektur supernode, sehingga komunikasi utama antar-parameter dan data tugas berlangsung di jaringan interkoneksi berkecepatan tinggi di dalam supernode. Setiap akselerator domestik yang digunakan memiliki kurang dari 80 GB memori, sehingga optimasi penggunaan memori dan komunikasi antar-chip menjadi kunci. 🔗 AICoder
Inferensi W4A4 dan Kuantisasi 4-Bit
Untuk model MoE berparameter 1,6 triliun, tim mengembangkan solusi inferensi W4A4 dengan mengkuantisasi bobot expert dan aktivasi ke 4 bit, lalu mengeksekusi perkalian matriks pada unit INT4 native akselerator domestik. Solusi ini dibangun di atas transformasi ekuivalen yang dapat dipelajari dari FlatQuant, yang lebih lanjut ditingkatkan untuk akurasi kuantisasi MoE. 🔗 AICoder
Hasilnya, performa model terkuantisasi dilaporkan setara dengan model tanpa kuantisasi pada seluruh tugas evaluasi hilir. Pendekatan ini penting karena menurunkan kebutuhan bandwidth memori dan biaya inferensi, sehingga model besar tetap ekonomis untuk dijalankan.
Visual Native dan Tugas Kreatif
LongCat-2.5 merepresentasikan sinyal visual sebagai token diskret multi-level, sehingga backbone model dapat memproses input visual dan tekstual dalam format token yang terpadu. Kombinasi pemahaman visual native dengan pemrograman agen menghasilkan performa visual coding yang kuat, sekaligus mendukung tugas desain kreatif dan 3D. 🔗 BigGo Finance
Dengan demikian, model tidak hanya berfungsi sebagai asisten teks, tetapi juga mampu memahami gambar, chart, dan antarmuka pengguna untuk menyelesaikan tugas agen secara menyeluruh.
Posisi di Pasar dan Klaim Benchmark
Menurut laporan Meituan sendiri, hasil benchmark menempatkan LongCat-2.5 di antara Claude Opus 4.8 dan Opus 5 dari Anthropic, bahkan melampaui Opus 5 pada sebagian tugas. Namun klaim ini sepenuhnya berasal dari pengujian internal Meituan dan belum ada evaluasi independen yang mempublikasikan penilaian pihak ketiga atas LongCat-2.5. 🔗 Tech Times
Model saat ini tersedia melalui API, dengan harga waktu terbatas US$0,30 per satu juta token input dan US$1,20 per satu juta token output. Pendahulunya, LongCat-2.0, sudah di-open-source di bawah lisensi MIT di Hugging Face, dan rilis open-source lanjutan untuk LongCat-2.5 dilaporkan sedang direncanakan. 🔗 AICoder
Strategi Meituan menonjol karena berfokus pada monetisasi AI melalui ekosistem bisnis inti perusahaan, seperti layanan on-demand, logistik, dan ritel, alih-alih menjual daya komputasi mentah. Pendekatan ini mencerminkan pola yang semakin umum di kalangan perusahaan teknologi China: membangun model AI untuk efisiensi operasional internal dan layanan konsumen, bukan sekadar menjadi penyedia infrastruktur. 🔗 BigGo Finance
Implikasi Geopolitik dan Pasar Chip
Pelatihan LongCat-2.5 seluruhnya di atas chip domestik memiliki implikasi strategis. Kontrol ekspor AS atas chip AI canggih mendorong perusahaan China untuk mengoptimalkan perangkat keras lokal, termasuk melalui kolaborasi erat dengan produsen akselerator domestik. Meituan melaporkan melakukan optimasi bersama produsen chip domestik untuk memori, komunikasi antar-chip, serta efisiensi komputasi dan transmisi. 🔗 BigGo Finance
Tren ini, menurut analis industri, menyempitkan kesenjangan kapabilitas AI antara China dan Amerika Serikat, bukan memperlebarnya. Namun sejauh mana klaim performa LongCat-2.5 bertahan di pengujian independen masih harus ditunggu.
Poin-Poin Kunci
- Meituan merilis LongCat-2.5 pada 2 November 2026, model multimodal native untuk tugas agen jangka panjang.
- Total 1,6 triliun parameter (MoE), sekitar 48 miliar parameter aktif per token.
- Seluruh pelatihan diselesaikan di atas akselerator AI domestik China.
- Pelatihan konteks panjang hingga 1 juta token; akumulasi data triliunan token.
- Inferensi W4A4: kuantisasi 4-bit bobot dan aktivasi, performa setara model tanpa kuantisasi.
- Visual direpresentasikan sebagai token diskret multi-level untuk pemrosesan terpadu teks-visual.
- Meneruskan LongCat-2.0 (Juni 2026), model triliunan parameter yang dilatih penuh di chip domestik.
- Model tersedia via API; pendahulu sudah open-source (MIT) di Hugging Face; rilis open-source lanjutan direncanakan.
- Strategi monetisasi: efisiensi bisnis inti dan layanan konsumen, bukan penjualan daya komputasi.
Sumber
