LongCat-2.5

Les capacités fondamentales du modèle reposent sur plusieurs innovations clés. La Modélisation Visuelle Natif permet à LongCat-2.5 de convertir des caractéristiques visuelles en résolution native en jetons discrets, les alignant avec le texte dans un espace sémantique partagé. Cela permet une compréhension plus profonde et intégrée des entrées multimodales. Pour les tâches à long terme, le modèle utilise l'Apprentissage par Renforcement Agentique (RL), entraîné sur des scénarios d'ingénierie du monde réel et des échecs d'agents reproductibles. Cette méthodologie d'entraînement, combinée à des stratégies de déploiement efficaces et à des protections contre le piratage de récompenses, améliore sa fiabilité dans l'exécution de tâches de bout en bout.

L'Apprentissage Multi-Enseignant est un autre aspect crucial, où des enseignants spécialisés en agent, raisonnement et interaction guident le modèle à travers une distillation KL de vocabulaire complet et une Attention Arbre. Ce processus renforce sa capacité à effectuer des exécutions multi-tours, un raisonnement complexe et un suivi précis des instructions, tout en améliorant la sécurité. De plus, LongCat-2.5 intègre un Entraînement Efficace sur Long Contexte, utilisant un parallélisme conscient des supernœuds, un partitionnement efficace et un chevauchement communication-computation. Ces optimisations entraînent un débit par appareil significativement plus élevé par rapport aux références traditionnelles dans les tâches SFT à longue séquence.

Le déploiement de LongCat-2.5 est pris en charge sur les plateformes NPU, avec des conseils spécifiques disponibles pour le déploiement NPU via SGLang-FluentLLM. Le modèle dispose également d'une quantification W4A4 pour les poids et activations experts, permettant un calcul INT4 natif sur des accélérateurs IA domestiques tout en maintenant la précision. Cette quantification, associée à des mises en page de poids optimisées et à des pipelines de pré-remplissage/décodage ajustés, entraîne des améliorations substantielles du débit et une latence réduite. LongCat-2.5 propose à la fois un mode de réflexion et un mode non-réflexion, permettant aux utilisateurs d'équilibrer performance et efficacité des jetons. Il est publié sous la licence MIT, le rendant accessible à un large éventail de développeurs et d'applications.