Meituan เปิดตัว LongCat-2.5 โมเดล AI 1.6 ล้านล้านพารามิเตอร์

Image description

Meituan บริษัทส่งอาหารยักษ์ใหญ่ของจีน ประกาศปล่อยน้ำหนักโมเดล (weights) สำหรับ LongCat-2.5 ซึ่งเป็นโมเดลขนาดใหญ่ถึง 1.6 ล้านล้านพารามิเตอร์ที่ออกแบบมาเพื่อ AI agents โดยเฉพาะ โดยจุดเด่นสำคัญคือการฝึกฝนบนฮาร์ดแวร์ของจีนทั้งหมดและมีประสิทธิภาพในการเขียนโค้ดทัดเทียมกับโมเดลชั้นนำของสหรัฐฯ อย่าง Claude Opus 5

ทีม LongCat พัฒนาโมเดลนี้เพื่อรองรับการทำงานของเอเจนท์ที่ต้องจัดการงานยาวและซับซ้อนหลายขั้นตอนโดยอัตโนมัติ โดยเฉพาะงานด้านการเขียนโค้ด ซึ่งผลการทดสอบมาตรฐาน (benchmarks) ระบุว่าโมเดลนี้มีศักยภาพใกล้เคียงกับโมเดลระดับท็อปจากฝั่งตะวันตก

LongCat-2.5 ใช้สถาปัตยกรรมแบบ mixture-of-experts (MoE) ซึ่งจะเลือกเปิดใช้งานเฉพาะส่วนที่เชี่ยวชาญในแต่ละ token ที่ประมวลผล โดยจากพารามิเตอร์ทั้งหมด 1.6 ล้านล้านตัว จะมีประมาณ 48 พันล้านตัวที่ทำงานจริงต่อหนึ่ง token โมเดลสามารถจัดการข้อมูลได้สูงสุดหนึ่งล้าน tokens พร้อมกันผ่าน API และรองรับการทำความเข้าใจทั้งข้อความ รูปภาพ และวิดีโอ

LongCat-2.5 แปลงรูปภาพเป็น tokens

LongCat-2.5 ต่อยอดจาก รุ่นก่อนหน้า LongCat-2.0 โดยเพิ่มขีดความสามารถด้านการมองเห็น แทนที่จะใช้ตัวเข้ารหัสรูปภาพแยกต่างหากเหมือนโมเดลหลายภาษา (multimodal) ทั่วไป LongCat-2.5 กลับใช้วิธีแปลงรูปภาพเป็น tokens เพื่อประมวลผลไปพร้อมกับข้อความ ซึ่งเป็นแนวทางเดียวกับโมเดลวิจัย LongCat-Next ที่เน้นงานเขียนโค้ดด้วยภาพ งานออกแบบ และงาน 3D

Meituan เปิดตัว LongCat-2.5 โมเดล AI 1.6 ล้านล้านพารามิเตอร์

ในด้านการเรียนรู้แบบเสริมกำลัง (reinforcement learning) ทีมงานได้จำลองสถานการณ์จริงจาก GitHub pull requests และเคสที่เอเจนท์เคยล้มเหลวมาใช้ฝึกฝน เพื่อให้โมเดลแก้ปัญหาได้จริงในทางปฏิบัติ นอกจากนี้ยังมีการคุมเข้มความปลอดภัยระหว่างฝึกฝนด้วยการบล็อกอินเทอร์เน็ต ลบประวัติ Git และใช้โมเดลภาษาตรวจสอบเพื่อป้องกันการใช้ลูกเล่นตบตาในการหาคำตอบ

Overview of the LongCat-2.5 reinforcement learning pipeline with five sections, from task synthesis using GitHub repositories through a sandboxed environment with no web search, Git history, or build cache, to reward verification via tests and an LLM judge.

ตัวอย่างการติดตั้งใช้งานรันบนชิป Huawei 194 ตัว

Meituan ประสบความสำเร็จในการทำ quantization น้ำหนักโมเดลลงมาที่ระดับ 4-bit ซึ่งชิปของจีนรองรับการประมวลผลได้ในตัว ส่งผลให้ความเร็ว (throughput) เพิ่มขึ้นกว่า 40% เมื่อเทียบกับเวอร์ชัน 8-bit โดยที่ยังคงความแม่นยำไว้ได้ใกล้เคียงเดิม

สำหรับการติดตั้งใช้งานจริงที่ระบุไว้ใน repository แยกต่างหาก ผ่าน คู่มือการติดตั้งด้วยตนเอง พบว่ามีการใช้คลัสเตอร์ ตัวเร่งความเร็ว Huawei Ascend ซีรีส์ Atlas A2 จำนวน 194 ตัวในการรันระบบ โดยไม่มีการกล่าวถึงหรือแนะนำให้ใช้ GPU ของ Nvidia เลยแม้แต่น้อย

LongCat-2.5 ตามหลัง Opus 5 เล็กน้อยในงานเทอร์มินัล

ในแง่ประสิทธิภาพ LongCat-2.5 ทำคะแนนได้ 88.4 บน Terminal Bench v2.1 ตามหลัง Claude Opus 5 ที่ได้ 89.1 และ GPT-5.6 Sol ที่ 88.8 เพียงเล็กน้อย โดยมี Deepseek-V4.1-Flash ครองอันดับหนึ่งด้วยคะแนน 90.6

ส่วนการทดสอบ DeepSWE สำหรับการแก้บั๊กในโค้ดจริง LongCat-2.5 มีคะแนนก้าวกระโดดจาก 9.7 เป็น 64.6 คะแนน แม้จะยังตามหลังกลุ่มผู้นำอย่าง Deepseek และ GPT-5.6 Sol แต่ก็ถือเป็นพัฒนาการที่สำคัญเมื่อเทียบกับโมเดลรุ่นก่อนหน้าและคู่แข่งบางรายในตลาด

Bar charts comparing LongCat-2.5 and LongCat-2.0 with Claude Opus 5, Claude Opus 4.8, GPT-5.6 Sol, and GPT-5.5 across nine benchmarks in the categories of coding agents, general agents, and visual agents.

ปัจจุบัน Meituan ได้เปิด น้ำหนักโมเดลให้ใช้งานแล้ว ภายใต้ใบอนุญาต MIT ที่ยืดหยุ่นสูง รองรับการใช้งานเชิงพาณิชย์และการปรับแต่งต่อยอด โดย API ของโมเดลถูกออกแบบให้ใช้งานร่วมกับเครื่องมืออย่าง Claude Code หรือ Codex ได้ทันที ซึ่งการเคลื่อนไหวนี้สะท้อนให้เห็นว่าโมเดลแบบ open-weight ของจีนอย่าง Kimi K3.1 และ GLM-5.3 กำลังไล่ตามผู้นำจากสหรัฐฯ ได้อย่างรวดเร็วโดยไม่ต้องพึ่งพาเทคโนโลยีจากภายนอกเพียงอย่างเดียว

Source: The Decoder
ดูแลงานแปลและเรียบเรียงโดย AttapolK

ความคิดเห็น (0)

เข้าสู่ระบบเพื่อร่วมแสดงความเห็น

สมัครสมาชิก

มาเป็นคนแรกที่แสดงความเห็นกันเลยโบร