描述
LongCat-2.5 代表了多模态人工智能的重大进步,建立在其前身 LongCat-2.0 的基础上。该模型旨在通过结合强大的视觉理解与复杂的代理编码来处理复杂的多步骤代理任务。它具有 1.6 万亿个总参数,每个令牌大约激活 480 亿个参数,使其成为处理高要求应用的强大工具。
阅读更多
该模型的核心能力基于几个关键创新。原生视觉建模使 LongCat-2.5 能够将原生分辨率的视觉特征转换为离散令牌,并将其与文本对齐于共享的语义空间。这使得对多模态输入的理解更加深入和一体化。对于长时间跨度的任务,该模型采用代理强化学习(RL),在真实世界的工程场景和可重复的代理失败上进行训练。这种训练方法结合高效的推广策略和防止奖励黑客的保障,提高了其在执行端到端任务时的可靠性。
多教师学习是另一个关键方面,专门的代理、推理和交互教师通过全词汇 KL 蒸馏和树注意力引导模型。这一过程增强了其执行多轮操作、复杂推理和精确指令跟随的能力,同时也提高了安全性。此外,LongCat-2.5 还结合了高效的长上下文训练,利用超节点感知并行性、高效分片和通信-计算重叠。这些优化使得在长序列 SFT 任务中,每个设备的吞吐量显著高于传统基准。
LongCat-2.5 的部署支持 NPU 平台,并通过 SGLang-FluentLLM 提供 NPU 部署的具体指导。该模型还具有 W4A4 量化,用于专家权重和激活,支持在国内 AI 加速器上进行原生 INT4 计算,同时保持准确性。这种量化以及优化的权重布局和调优的预填充/解码管道,导致吞吐量显著提高和延迟降低。LongCat-2.5 提供思维模式和非思维模式,允许用户在性能与令牌效率之间取得平衡。它在 MIT 许可证下发布,使广泛的开发者和应用能够访问。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署云端
- 平台网页版
LongCat-2.5亮点
本地多模态 MoE 模型
1.6 万亿总参数
每个令牌 480 亿激活参数
视觉理解集成
代理编码能力
长时间跨度的代理 RL 训练
用于推理和指令跟随的多教师学习
高效的长上下文训练
带有 KV 缓存优化的 RL 基础设施
用于专家权重和激活的 W4A4 量化
NPU 平台部署支持
增强性能的思维模式
令牌效率的非思维模式
模型权重的 MIT 许可证
跨编码、通用代理和视觉任务的评估
LongCat-2.5入门
访问模型:导航到 Hugging Face 上的 LongCat-2.5 页面。
浏览文件:查看模型的文件和文档以获取技术细节。
在 NPU 上部署:参考 SGLang-FluentLLM 获取 NPU 平台部署的说明。
配置模式:选择思维模式(enable_thinking=True)以提高性能,或非思维模式(enable_thinking=False)以提高令牌效率。
发送提示:通过官方聊天网站(longcat.ai)或通过编程访问与模型互动。
评估性能:利用温度和 top_p 等评估设置进行特定任务。
LongCat-2.5的使用案例
- 复杂代码库开发
- 完整项目构建
- 创意设计任务
- 3D 任务执行
- 多模态代理任务
- 代码代理基准测试
- 通用代理基准测试
- 视觉任务基准测试








