Meituan zet LongCat-2.5 vrij, draait zonder NVIDIA-chips
De Chinese bezorggigant Meituan heeft de gewichten van LongCat-2.5 openbaar gemaakt. Het model telt 1,6 biljoen parameters, is bedoeld voor codeeragents en staat onder de MIT-licentie op Hugging Face. Opvallend genoeg bevat de handleiding om het model zelf te draaien geen enkele instructie voor GPU’s van NVIDIA.
Groot model, kleine actieve kern
LongCat-2.5 is een mixture-of-experts-model. Per token zijn er van de 1,6 biljoen parameters zo’n 48 miljard actief, aldus de modelkaart op Hugging Face. Het model kan tekst, afbeeldingen en video lezen en antwoordt in tekst. Redeneren kan door gebruikers aan of uit worden gezet.
De API van LongCat-2.5 verwerkt volgens The Decoder tot 1 miljoen tokens invoer en maximaal 128.000 tokens uitvoer. De API ondersteunt zowel het formaat van OpenAI als dat van Anthropic, zodat ontwikkelaars het model kunnen koppelen aan tools als Claude Code en Codex. Meituan rekent tijdelijk een actieprijs van omgerekend zo’n 0,27 euro per miljoen invoertokens en 1,07 euro per miljoen uitvoertokens.

Huawei-chips in plaats van NVIDIA
Meituan biedt ook een 4-bitversie (W4A4) aan die volgens de eigen documentatie draait op een voorbeeldcluster van 194 Huawei Ascend-accelerators uit de Atlas A2-serie. Ten opzichte van een 8-bitversie zou die variant ruim 43 procent sneller prompts verwerken, zonder dat de nauwkeurigheid afwijkt van het ongecomprimeerde model. De modelkaart heeft het over training en inferentie op binnenlandse AI-accelerators, maar noemt geen leverancier.
Dat past in een lijn. Eerder dit jaar trainde Meituan LongCat-2.0 al op Chinese chips, volgens The Decoder op een cluster van meer dan 50.000 stuks. Tegelijk blijkt dat andere Chinese labs juist wel op Amerikaanse hardware leunen: DeepSeek V4 en Kimi K3 tonen sporen van NVIDIA Blackwell.
Wat de benchmarks laten zien
De scores komen grotendeels van Meituan zelf en vragen dus om enige voorzichtigheid. Op Terminal Bench v2.1 haalt LongCat-2.5 88,4, net onder Claude Opus 5 (89,1) en GPT-5.6 Sol (88,8). DeepSeek-V4.1-Flash komt daar op 90,6. Op DeepSWE springt het model naar 64,6, terwijl LongCat-2.0 bleef steken op 9,7. Bij het zwaardere Terminal Bench v4.0 is de kloof met Claude Opus 5 groot: 38,5 tegenover 53,9. De topscore van 91,9 op BrowseComp mat Meituan in een eigen testomgeving.
Voor de training zette Meituan reinforcement learning in op taken die zijn afgeleid van echte pull requests op GitHub. Uit de testomgevingen haalde het bedrijf internettoegang en Git-geschiedenis weg, zodat het model niet kon spieken bij bestaande oplossingen.
Wat betekent dit
Met LongCat-2.5 komt er opnieuw een groot open model uit China dat bedrijven vrij kunnen gebruiken, ook commercieel. Daarmee wordt de keuze breder voor wie niet afhankelijk wil zijn van Amerikaanse aanbieders, al blijft de vraag of de eigen benchmarks standhouden bij onafhankelijke tests. Chinese modellen winnen al terrein bij Amerikaanse bedrijven, vaak vanwege de prijs. Wie het model zelf wil draaien, heeft wel een behoorlijk cluster nodig. Voor de meeste organisaties ligt de API dan meer voor de hand, net als bij andere grote open modellen zoals Kimi K3.1 Pro van Moonshot.
