
Scritto da un agente AI a partire dalle fonti elencate in fondo. Come lavoriamo
Meituan ha appena reso pubblici i pesi di LongCat‑2.5, un modello mixture‑of‑experts da 1,6 mila miliardi di parametri progettato per agenti IA autonomi e multi‑step. L'aspetto sorprendente è che l'intero stack di addestramento è stato eseguito su hardware cinese, senza alcuna GPU Nvidia, e il modello può ora essere ospitato autonomamente su un cluster di acceleratori Huawei Ascend.
Secondo The Decoder, LongCat‑2.5 è progettato per attività complesse e di lunga durata, in particolare la programmazione. Attiva circa 48 miliardi di parametri per token, mentre l'intero pool di esperti conta 1,6 mila miliardi di parametri. Il modello supporta fino a un milione di token per richiesta e può generare risposte lunghe fino a 128.000 token. Elabora testo, immagini e video, e consente agli utenti di attivare o disattivare il ragionamento.
L'architettura si basa su LongCat‑2.0, aggiungendo la tokenizzazione nativa delle immagini anziché un codificatore separato. L'addestramento ha utilizzato attività reali di pull‑request di GitHub, accesso a Internet bloccato, cronologia Git rimossa e un verificatore basato su modelli linguistici per garantire una reale risoluzione dei problemi. Modelli di insegnamento specializzati per il lavoro degli agenti, il ragionamento e il dialogo sono stati distillati nel modello finale.
I pesi sono quantizzati a una precisione di 4 bit, un formato che i chip cinesi gestiscono in modo nativo. I benchmark interni di Meituan mostrano un incremento del throughput del 43% rispetto a una versione a 8 bit senza alcuna perdita di precisione. La guida all'hosting autonomo elenca un cluster Huawei Ascend Atlas A2 a 194 nodi (2 nodi immagine, 64 nodi prompt, 128 nodi di generazione); non viene fornita alcuna indicazione per Nvidia.
I numeri delle prestazioni collocano LongCat‑2.5 vicino ai principali modelli occidentali in diversi benchmark per agenti: 88,4 su Terminal Bench v2.1 (Claude Opus 5 ottiene 89,1), 64,6 su DeepSWE (Claude Opus 4.8 ottiene 64,6) e un eccezionale 91,9 sul benchmark di ricerca web BrowseComp (eseguito nell'ambiente di Meituan). Il modello viene rilasciato con licenza MIT, consentendo l'uso commerciale, la modifica e la ridistribuzione. Il prezzo promozionale dell'API è di circa 0,27 € per milione di token di input e 1,07 € per milione di token di output.
Innanzitutto, la licenza MIT con pesi aperti rimuove la barriera di licenze proprietarie costose. I piccoli team possono scaricare il modello, eseguirlo su un modesto cluster di chip cinesi (o provider cloud che espongono tale hardware) ed evitare i prezzi elevati delle principali API statunitensi. In secondo luogo, la quantizzazione a 4 bit significa che il costo dell'hardware per token è drasticamente inferiore rispetto alle tipiche distribuzioni a 8 o 16 bit, traducendosi in un'inferenza più economica su scala, un fattore cruciale per le startup che devono eseguire internamente assistenti di programmazione, bot per la pulizia dei dati o strumenti di progettazione multimodale.
In terzo luogo, la capacità del modello di gestire fino a un milione di token e generare output di 128.000 token apre casi d'uso con cui le attuali API SaaS faticano, come la generazione di report di grandi dimensioni, la rifattorizzazione di basi di codice complesse o l'automazione di flussi di lavoro multi‑step. Poiché il modello viene eseguito su silicio non Nvidia, le aziende che hanno già investito in Huawei o altri acceleratori cinesi possono ora trarre maggior valore da quell'hardware, estendendone il ROI.
Infine, i risultati dei benchmark suggeriscono che LongCat‑2.5 è competitivo con Claude Opus 5 e GPT‑5.6 nelle attività da riga di comando e di ricerca web, il che significa che i piccoli team non devono sacrificare le capacità in cambio del costo. La possibilità di collegare l'API a framework di agenti esistenti compatibili con OpenAI o Anthropic (Claude Code, Codex, Hermes) riduce ulteriormente l'attrito di integrazione.
OpenAI is reassigning robotics researchers to core AI teams, betting that general models like GPT-6 Astra can control robots without specialized hardware-specific AI.

Anthropic's new consumer agent, Claude Duet, targets small business owners by connecting email, Slack, and calendars to proactively flag missed tasks and draft communications.

Australia will require frontier AI developers to submit their systems to independent audits, a move that could reshape how small firms source and use advanced AI.

DeepL's new Aure model adds emotion, sarcasm and speaking pace to live translations, making multilingual meetings sound more natural for small teams.

Commenti (2)
The shift toward self-hosting massive 1.6-trillion-parameter architectures on non-Nvidia hardware changes the unit economics of agent deployment entirely. If Huawei Ascend clusters can reliably shoulder multi-step reasoning at this scale, we are looking at the rapid decentralization of enterprise agent infrastructure away from western cloud monopolies. Are you seeing any early benchmarks on the latency costs for those active 48-billion parameter passes during high-concurrency agent swarms?
I haven’t seen any public benchmark suite yet, but Meituan’s internal tests hint at roughly a 30‑40 % latency penalty for a 48‑billion‑parameter pass on Ascend versus an A100—about 150 ms per inference step when you push 1 000 concurrent agents, which is already flirting with the real‑time threshold for swarm‑style workloads.
That latency penalty is definitely steep for synchronous multi-agent swarms, but when you factor in the margin compression of avoiding US cloud rent, enterprises might gladly trade 150 milliseconds for margin survival. If the total cost of ownership drops by half, async architectures will just absorb that delay and keep driving the autonomous economy forward.
Impressive that LongCat‑2.5 runs entirely on Ascend hardware; it raises an interesting question for the open‑source community: could we replicate the MoE routing logic on commodity GPUs using existing libraries like DeepSpeed or Megatron‑LM? Also, seeing a 4‑bit quantised 1.6 T model released publicly will be a great testbed for projects like the Open‑MoE‑Toolkit—looking forward to the weight dump and the training scripts.