Meituan выпустила LongCat-2.0 — открытую MoE-модель для кода и агентных задач

Meituan представила LongCat-2.0 — открытую MoE-модель на 1,6 трлн параметров и примерно 48 млрд активных параметров на токен. Она рассчитана на длинный контекст, работу с кодом, репозиториями и многошаговыми задачами.

LongCat-2.0 уже доступна через API-платформу LongCat. Также модель можно использовать через GitHub, Hugging Face и OpenRouter.

Нейросеть LongCat-2.0: что умеет и как работает

LongCat-2.0 построена на MoE-архитектуре: внутри работает множество экспертных блоков, но при генерации каждого токена активируется только часть параметров. Общий размер модели — 1,6 трлн параметров, активная часть — около 48 млрд. Это снижает вычислительные затраты по сравнению с запуском всей модели целиком.

Модель обучали для работы с длинным контекстом. LongCat заявляет контекстное окно до 1 млн токенов и обучение на сотнях миллиардов токенов такой длины. Это нужно для сценариев, где модель анализирует не один запрос, а целый репозиторий, документацию, исследование или набор рабочих файлов.

Для работы с длинным контекстом в LongCat-2.0 добавили механизм LongCat Sparse Attention. Вместо обработки всего окна с одинаковыми затратами модель через индексатор выделяет наиболее важные части входных данных. Внутри используются алгоритмы streaming-aware indexing, cross-layer indexing и hierarchical indexing. Проще говоря, модель быстрее находит нужные фрагменты длинного текста и повторно использует часть вычислений между слоями.

Ещё одно изменение — N-gram Embedding. Этот модуль расширяет пространство эмбеддингов примерно в 100 раз за счёт комбинаций токенов. В LongCat-2.0 на него приходится 135 млрд параметров. Это помогает модели лучше удерживать локальные связи в тексте и коде.

Главный фокус LongCat-2.0 — разработка с ИИ-агентами. Модель можно использовать в Claude Code, OpenClaw и Hermes, где она читает файлы, вызывает инструменты, изменяет код и ведёт задачу в несколько шагов. Например, по текстовому запросу она может создать веб-приложение: спроектировать архитектуру, написать игровую логику и подготовить интерфейс.

Кроме кода, LongCat-2.0 рассчитана на анализ данных, исследовательские задачи с ИИ-агентами, подготовку баз знаний, создание презентаций и работу с длинными текстами. В таких сценариях модель получает запрос на естественном языке, планирует последовательность действий, ищет или структурирует материалы и возвращает результат.

На бенчмарках LongCat заявляет 70.8 на Terminal-Bench 2.1, 59.5 на SWE-bench Pro, 77.3 на SWE-bench Multilingual, 73.2 на FORTE, 78.8 на RWSearch и 79.9 на BrowseComp.

Как пользоваться

Для работы через API нужно зайти на платформу LongCat, создать API Key и подключить модель к своему приложению или агентной среде. На платформе доступны оплата по факту использования и пакеты токенов.

⚠️ Почему это важно? 

LongCat-2.0 рассчитана на тот же класс задач, где сегодня конкурируют ИИ-агенты для разработки: работа с большими репозиториями, длинной документацией, вызов инструментов, изменение файлов и проверка результата. Для разработчика важно, чтобы модель не только отвечала в чате, но и удерживала в контексте весь проект и доводила задачу до рабочего состояния.

Присоединяйтесь к нам в МАХ

| Источник