Meituan lança LongCat-2.5, modelo de 1,6 trilhão de parâmetros para agentes de código

A Meituan, gigante chinesa mais conhecida por delivery e serviços locais, lançou em 2 de novembro o LongCat-2.5, novo modelo de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → multimodal da sua linha LongCat. Segundo a TechNode, que cita reportagem original do site chinês IT Home, o modelo tem 1,6 trilhão de parâmetros totais, mas ativa cerca de 48 bilhões por token processado. O destino declarado pela empresa é claro: sustentar agentes de IA em tarefas de codificação que exigem execução prolongada, não só respostas pontuais.

Um gigante que só acorda uma fração de si por vez

O desenho de 1,6 trilhão de parâmetros com apenas 48 bilhões ativados por token é uma arquitetura Mixture of Experts (MoE): o modelo tem muito conhecimento acumulado, mas só liga uma fatia pequena dele a cada inferência. Isso é o que torna viável rodar um modelo desse tamanho sem custo de inferência proporcional ao total de parâmetros. É a mesma lógica por trás de outros modelos chineses recentes com MoE, como o DeepSeek V3 (671 bilhões de parâmetros totais, ~37 bilhões ativados), que ajudaram a popularizar essa arquitetura fora dos laboratórios ocidentais.

A proporção ativada do LongCat-2.5 é de cerca de 3% do total, bem próxima da faixa usada por outros modelos MoE de ponta. Na prática, para quem vai consumir via API, o que importa é o custo por token processado, não o tamanho total do modelo armazenado nos servidores da Meituan. A fonte não traz valores de preço por token nem benchmarks de desempenho, então qualquer comparação de custo real ainda depende de testes independentes.

Agentes que não quebram no meio da tarefa

O ângulo central do anúncio da Meituan não é só tamanho: é durabilidade em tarefas longas. A empresa afirma ter expandido o treinamento em sequências de tarefas extensas e usado aprendizado por reforço em larga escala para melhorar o desempenho em codebases complexas e em projetos de software completos, não em trechos isolados de código.

Um detalhe prático do processo chama atenção: a Meituan diz converter falhas reais de agentes em tarefas de treinamento reproduzíveis. Ou seja, quando um agente erra em produção (ou em teste), esse erro vira material de treino para fechar a lacuna que causou a falha. É um ciclo de feedback parecido com o que equipes de ML ops fazem manualmente com logs de erro, só que incorporado ao próprio pipeline de treino do modelo.

Para quem desenvolve com agentes autônomos de código, isso é diretamente relevante: a dor mais comum hoje não é gerar uma função isolada, é manter contexto e coerência numa tarefa que dura dezenas de passos, abre múltiplos arquivos e precisa lidar com erros no meio do caminho sem reiniciar do zero.

Multimodalidade sem múltiplos modelos separados

O LongCat-2.5 processa entradas visuais e textuais dentro de um framework único de tokens, segundo a Meituan. Isso significa que imagem e texto são tratados pelo mesmo mecanismo interno, em vez de passarem por módulos separados costurados depois. A empresa cita três usos concretos dessa capacidade:

• Codificação visual (visual coding), útil para gerar ou ajustar interfaces a partir de telas ou wireframes;
• Design criativo, voltado a tarefas que misturam geração de conteúdo visual e texto;
• Tarefas em 3D, categoria que a fonte menciona sem detalhar exemplos.

Nenhum desses três usos vem acompanhado de demonstração pública, vídeo ou benchmark no material disponível. São capacidades anunciadas pela empresa, não verificadas de forma independente até o momento.

Onde já dá para usar, e o que ainda falta

O LongCat-2.5 está disponível desde o lançamento no serviço de chat online da Meituan e na plataforma de API da empresa. Quem quiser integrar o modelo a um produto ou workflow de agente já consegue fazer isso via API, nos moldes do que outras empresas chinesas (DeepSeek, Alibaba com Qwen, Moonshot com Kimi) vêm oferecendo.

O que ainda não existe é um lançamento aberto: a Meituan afirma que releases no GitHub e no Hugging Face estão planejados para seguir o lançamento via API, mas não foram publicados até a data da reportagem. Isso é uma diferença importante em relação a modelos como DeepSeek V3 e Qwen, que disponibilizaram pesos abertos desde o início ou logo depois do anúncio. Até esse release acontecer, rodar o LongCat-2.5 localmente ou auditar seus pesos não é opção.

O que muda para quem desenvolve no Brasil

O LongCat-2.5 entra numa disputa que já estava concorrida: modelos chineses de peso aberto (ou prestes a abrir) especificamente ajustados para codificação agente, competindo em custo de inferência com modelos ocidentais fechados. Para equipes brasileiras avaliando qual modelo usar por trás de um agente de código, isso significa mais uma opção a testar quando os pesos saírem, mas nenhum número concreto de desempenho a comparar hoje.

Vale notar dois pontos de atenção prática antes de adotar: primeiro, a API roda em infraestrutura da Meituan, o que levanta as mesmas questões de residência e privacidade de dados já discutidas com outros provedores chineses de IA; segundo, a empresa não publicou nenhum benchmark (SWE-bench, HumanEval ou equivalente) junto do anúncio, então qualquer alegação de ganho em tarefas longas de codificação ainda depende de avaliação independente assim que o modelo (ou seus pesos) estiver acessível para teste.

A real validação do LongCat-2.5 para quem programa só vem quando ele for testado fora do ambiente controlado da própria Meituan, seja via API em projetos reais, seja com os pesos abertos no GitHub e no Hugging Face quando esse release acontecer.

Fonte: TechNode (China)